US National Health and Nutrition Examination Survey
PulseAugur coverage of US National Health and Nutrition Examination Survey — every cluster mentioning US National Health and Nutrition Examination Survey across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
人工智能热潮推动数据中心冷却使用“永久化学品”
人工智能基础设施日益增长的需求正推动PFAS（也称为“永久化学品”）产量的增加，这些化学品正被用作数据中心冷却的替代水。Daikin Industries、Arkema和Chemours等主要化学品生产商正在扩大其PFAS产能以满足这一需求，尽管这些持久性化学品带来了重大的环境和健康成本。人们对数据中心可能泄漏这些化学品的担忧日益加剧，环保组织正积极请愿监管机构拒绝PFAS在冷却系统中的新应用。
-
新基准CoMedBench评估合成医疗数据效用
研究人员推出了CoMedBench，这是一个旨在评估合成医疗数据的保真度和效用的新基准。该基准旨在解决由于隐私法规和其他限制而使用真实患者数据所面临的挑战。CoMedBench评估了跨多个数据集和下游任务的各种数据生成器，并比较了在真实数据与合成数据上训练的模型的性能。
-
新的随机森林方法估计函数响应的条件分布
研究人员开发了一种新的非参数框架，用于估计函数结果的条件分布，从而更深入地理解协变量如何影响整个函数响应的分布。这种方法称为函数分布随机森林，它训练随机森林以最小化决策树叶节点内的基于核的最大均值差异。该方法支持对条件分布的任意泛函进行推断，并在模拟中显示能够恢复基线方法所遗漏的分布变化。在 NHANES 加速计数据上的应用成功地识别了与协变量相关的中值活动特征和预测离散度的变化。
-
大型语言模型能模拟出合理的患者，但无法代表真实人群
arXiv上发表的一项新研究表明，大型语言模型在被要求模拟心理健康患者时，能够生成个体上合理的病例，但无法代表真实的人群。研究人员测试了GPT-4o mini、Gemini 3 Flash、DeepSeek-V3和GLM-4.7等模型根据人口群体生成患者档案的能力。虽然个体患者模拟在很大程度上符合诊断标准，但聚合后的人群却显示出显著的偏差，包括症状评分虚高、人口统计学差异扭曲以及患者数据再生不稳定。研究人员将这种差异称为“连贯性-保真度分离”。
-
新研究评估无监督亚组方法在卫生政策优先排序中的应用
一篇新研究论文评估了分析观察性健康数据的几种无监督亚组方法，旨在识别可解释的亚组以用于政策优先排序。该研究使用 Pima Indians Diabetes 数据集和 NHANES 等数据集比较了 K-means、模糊聚类和贝叶斯高斯混合模型。虽然一些方法对假设性状态转移显示出有希望的效用估计，但置信区间表明调整后没有统计学上的显著差异，这表明研究结果是依赖于假设的决策支持，而不是干预效益的证明。
-
机器学习模型在预测2型糖尿病风险方面存在偏见
一项发表在arXiv上的新研究评估了用于预测2型糖尿病风险的机器学习模型，发现虽然模型在内部表现良好，但当应用于真实人群时，其有效性会显著下降。研究强调存在严重的偏见，与年轻或体重正常的个体相比，老年人和肥胖个体在预测准确性和校准方面表现更差。该分析使用XGBoost和SHAP进行可解释性分析，确定年龄、BMI和体育活动是关键风险因素，强调了公平性感知部署策略的必要性。
-
新的CardioMeta框架通过校准概率改进多疾病预测
研究人员开发了CardioMeta，一个用于联合预测糖尿病、高血压和心血管疾病的新多任务框架。该框架旨在通过关注校准概率、时间鲁棒性和在人口普查和电子健康记录等多样化数据集上的可靠亚组报告来改进现有的机器学习模型。虽然其准确性并未显著高于基线模型，但CardioMeta在控制标签泄露和提供更值得信赖的预测方面显示出价值，尤其是在处理不同医疗保健数据源之间的分布变化时。
-
新AI框架将视网膜图像与糖尿病视网膜病变的全身通路联系起来
研究人员开发了Causal-RetiGraph，一个整合视网膜图像分析与全身通路建模的新框架，以更好地理解糖尿病视网膜病变（DR）。该系统从视网膜血管图、病变证据和生物标志物构建可解释的表型，在DR分级方面取得了高精度。通过将这些视网膜表型与美国国家健康与营养调查（NHANES）的数据联系起来，该框架将HbA1c、尿液白蛋白和血压等关键全身因素确定为DR的重要锚点。分析还强调了糖化-肾脏和糖化-血流动力学通路作为关键介质，提供了对DR…
-
RetiSEM框架推动碎片化生物医学数据的因果建模 · 跟踪2个来源
研究人员开发了RetiSEM，一个用于从碎片化生物医学数据中恢复因果图和执行中介分析的新框架。该方法通过将数据组织成生物学信息块并应用领域特定约束，解决了不完整或非联合观测变量的挑战。RetiSEM在合成基准测试和结合临床与视网膜信息的真实世界数据集上均表现出卓越的性能，表明其在资源受限的生物医学AI应用中进行结构化因果假设检验的实用性。
-
机器学习模型提供无创血糖异常筛查
研究人员开发了用于无创血糖异常风险筛查的机器学习模型，无需进行实验室检测。LightGBM模型表现出卓越的性能，AUC为0.820，优于芬兰糖尿病风险评分和美国糖尿病协会风险测试等既有的临床风险评分。使用SHAP的可解释性分析显示，年龄、种族/民族和腰围身高比是最重要的预测因子，这表明其有可能在社区卫生环境和个人健康应用中部署。
-
新的基础模型分析可穿戴设备数据以获取心理健康见解
研究人员开发了一个名为 PAT（预训练活动图转换器）的新基础模型，专门用于分析心理健康研究中的可穿戴设备运动数据。该开源模型使用活动图序列上的自监督学习来预测精神疾病结局，其表现优于传统的时间序列模型。PAT 在预测苯二氮䓬类药物使用、抑郁症和睡眠异常方面表现出显著的改进，同时还提供了可解释的注意力图来突出关键活动时期。
-
受生物启发的自监督学习增强人类活动识别
研究人员开发了一种新的自监督学习方法，用于分析腕戴式加速度计数据，旨在改进人类活动识别（HAR）。该方法受运动的生物力学理论启发，将运动分割成基于子运动的“运动片段”。然后，使用这些片段的掩码重构来预训练Transformer编码器，重点关注运动的结构和时间组织，而不仅仅是波形形态。在NHANES语料库上进行预训练后，与现有的自监督学习基线相比，这些表示在六个HAR基准测试中表现出优越的性能。
-
新指南应对健康调查机器学习中的偏见
一项名为“面向调查的机器学习”（Survey-aware Machine Learning, SaML）的新指南被提出，旨在解决基于健康调查数据训练的机器学习模型中的偏见问题。标准的机器学习实践常常忽略抽样单位和权重等关键的调查设计要素，导致估计不准确和不确定性被低估。SaML 提供了一个九步框架，将这些调查元数据整合到从训练到评估的整个机器学习过程中，以确保有效的人群推断。
-
新的基于 copula 的方法纠正了处理效应估计中的内生性问题
研究人员开发了一种新的统计方法来解决处理效应估计中的内生性问题，这是医疗保健研究中一个常见的问题，其中代理变量与未观察到的因素相关。所提出的基于 copula 的双重稳健估计量使用高斯 copula 来模拟内生协变量和误差项的联合分布，从而无需工具变量即可进行一致估计。模拟表明，与表现出偏差的朴素方法不同，这种修正后的估计量提供了无偏的处理效应。该技术被应用于使用 NHANES 数据分析营养咨询对血压的影响，结果显示，在进行修正后，先…