Модель глубокого обучения для переносного пульсоксиметра выявляет физиологические признаки здоровья и кардиометаболического риска

В командном обучении студенты, как правило, размещаются в фиксированных командах, основываясь на идее, что стабильное членство в группе способствует сотрудничеству: по мере того как члены команды узнают друг друга, они делятся большей информацией, решают разногласия и чувствуют мотивацию вносить вклад. Однако данная логика не была протестирована в рандомизированном контролируемом исследовании. В данном исследовании сравнивается командное обучение во временных командах с постоянными командами по показателям индивидуальной и командной уверенности (iRAT, tRAT), достижению консенсуса команды, климату обучения и внутренней мотивации. В рандомизированном контролируемом испытании студенты первого курса медицинского факультета были распределены либо по постоянным TBL-командам, либо в команды, которые перераспределялись для каждой задачи. Голосование по тесту уверенности команды (tRAT), submitted индивидуально и конфиденциально, служило косвенным показателем консенсуса команды (согласованные и несогласованные голоса tRAT). Несогласованные tRAT (268, 11.8% всех голосов) подавались чаще в временных, чем в постоянных командах, как для правильных, так и для неправильных решений большинства. Самооценка климата обучения была более кооперативной в постоянных командах, чем в временных, в то время как внутренняя мотивация и результаты tRAT были схожими для обоих типов команд. Плохой климат обучения был связан с более высокой долей несогласованных tRAT. Работа в временных командах не приводит к ухудшению внутренней мотивации; это также ранее было показано для получения знаний. Однако плохой климат обучения вместе с меньшей частотой достижения консенсуса может указывать на то, что, по крайней мере, некоторые члены временных команд чувствуют себя недостаточно оценёнными в обсуждении и не принимают решение большинства. С помощью учебных стратегий, способствующих кооперативному климату обучения в временных командах, предварительные TBL-курсы могут служить ранним формирователем отношений командных компетенций, необходимых для последующего обучения на клиническом рабочем месте в временных командах.

Фон. Вспышка вируса Бундиbugyo Эбола в Уганде в 2026 году, связанная с текущей эпидемией в Демократической Республике Конго (ДРК), распространилась благодаря человеческой мобильности через границы и внутри страны. Мы ставили цель количественно оценить модели импорта и распространения, чтобы обеспечить целенаправленные интервенции на субнациональном уровне. Методы. Мы построили сеть мобильности с направленным взвешиванием на основе данных Миграционной организации (IOM) о перемещении населения с 15 по 24 мая 2026 года (обнаружено 11,245 перемещений) и данных переписи населения Уганды 2024 года (45.9 миллионов человек). Была смоделирована стохастическая метапопуляционная модель SEIR, учитывающая предсимптоматическую передачу и перемещение контактных и инфекционных лиц, на протяжении 90 дней по 135 округам Уганды и двум провинциям ДРК. Реакцию 7-1-7 было явно смоделировано с динамическим охватом отслеживания контактов (40%[->]70%[->]85%). Мы оценили три сценария соблюдения (20%, 40%, 60%) для ненаркотических интервенций. Глобальный анализ чувствительности Соболя (500 выборок, 200 бутстрэппинг) выявил ключевые параметры, определяющие размер вспышки. Результаты. Сеть мобильности была разреженной (плотность 0.11), очень неравномерной (коэффициент Джини 0.67) и модульной (модулярность 0.5). Округ Кисоро имел наибольший риск импорта (входящая сила 3,823) и риска экспорта (исходящая сила 1,350), в то время как Кампала показала значительную входящую силу (1,290), но меньшую исходящую силу (150). В рамках сценария сдерживания (эффективное R = 0.35) модель прогнозировала медиану 22 кумулятивных случаев (95% CrI: 22-24) и 2 смерти (95% CrI: 2-4) в Кампале за 90 дней. Во всех остальных 134 округах медиана составила 0 случаев. Ненаркотические интервенции при высоком, среднем и низком соблюдении не дали статистически значимого снижения числа случаев (22 случая по всем сценариям). Суперраспространительные события происходили в 34.6-40.6% симуляций. Анализ чувствительности Соболя выявил инфекционный период (первый порядок 0.838), летальность случаев (0.738) и основной коэффициент рождаемости (0.664) как наиболее влиятельные параметры; параметры, связанные с мобильностью, имели значительно более низкие индексы общего порядка. Реакция 7-1-7 сама по себе, как ожидалось, сдержит вспышку вируса Эбола Бундиbugyo до примерно 22 случаев и 2 смерти в Кампале, при этом дополнительные ненаркотические интервенции не обеспечат значимого добавочного эффекта. Ресурсы следует сосредоточить на целенаправленном наблюдении в высокорискованных центрах импорта (Кисоро для пограничного контроля) и внутриэпидемических центрах (Кампала для ресурсов реагирования), а не на ненаправленных национальных интервенциях. Инвестиции в быструю характеристику специфических штаммов биологических параметров могут повысить предсказательную точность. Финансирование. Отсутствует. Контекст исследования. Доказательства перед этим исследованием. Мы искали в PubMed и новостях Всемирной организации здравоохранения (Служба новостей о вспышках заболеваний от 19 мая 2026 года) исследования моделирования вспышек вируса Бундиbugyo с использованием терминов "Bundibugyo", "ebolavirus", "spillover", "cross-border" и "stochastic model". Предыдущие вспышки в Уганде (2007-08; 131 подтвержденный случай, 42 смерти) и в ДРК (2012; 38 подтвержденных случаев, 13 смертей) показывали более низкую восприимчивость и коэффициент летальности, чем в случае вируса Эбола Заира, с оценками основного коэффициента рождаемости от 1.2 до 2.6. Вспышка вируса Эбола Заира в Норте Киву и Итури в 2018-20 годах - вторая по величине вспышка за всю историю, с 3,481 случаем и 2,299 смертями - была значительно осложнена вооруженным конфликтом, недоверием сообществ, плохой инфраструктурой и миграцией населения. Чамба и др. (2026) оценили вероятность импорта для Уганды в 94.2% с использованием стохастической ансамблевой модели, откалиброванной на лабораторно подтвержденные случаи. Однако ни одно опубликованное исследование не интегрировало данные о перемещениях из матрицы отслеживания перемещения (IOM) с эпидемическими прогнозами для предоставления оценок риска импорта и распространения на субнациональном уровне. В реальном времени моделирование сверхвспышек через границу для вируса Бундиbugyo было весьма ограниченным, а отсутствие лицензированной вакцины против вируса Бундиbugyo усложняет стратегии готовности и реагирования. Одновременно Бангелеса и коллеги проводили исследование по картированию мобильности населения в провинции Итури, используя месячные данные из Flowminder (с марта 2025 по март 2026) и вычислили нормализованный индекс интенсивности мобильности (MII) для всех 340 санитарных зон. Их анализ показал, что провинция Итури имела второй по величине средний MII в стране (25.3), уступая лишь Киншасе (26.6), и в 2.4 раза превышала национальную медиану (10.7). Критически важным является то, что три зоны эпицентра вспышки - Рвампара (MII 68.6, ранг 2), Бунья (MII 62.6, ранг 3) и Могбвалу (MII 49.9, ранг 11) - все превышали 95-й национальный перцентиль (41.4), подчеркивая исключительную связанность затронутых зон. Дополнительные преимущества этого исследования. В то время как Бангелеса и др. установили макроуровень интенсивности мобильности провинции Итури относительно остальной части ДРК, наше исследование расширяет эту работу, строя направленную, взвешенную сеть мобильности на уровне округов в Уганде, используя данные о перемещениях из матрицы отслеживания перемещения (IOM) (11,245 наблюдаемых перемещений). Мы демонстрируем, что сеть мобильности крайне неравномерна (Джини 0.67) и модульная (модулярность 0.5), при этом Кисоро выступает в качестве основного порта импорта (входящая сила 3,823), а Кампала - как округ с самой высокой нагрузкой (22 медианных случая). Мы также показываем, что реакция 7-1-7 сама по себе вполне вероятно сдержит вспышку до примерно 22 случаев, а дополнительные ненаркотические интервенции не принесут статистически значимого добавленного эффекта. Анализ чувствительности Соболя выявляет инфекционный период (первый порядок 0.838), летальность случаев (0.738) и основной коэффициент рождаемости (0.664) как наиболее влиятельные параметры, что информирует приоритеты целенаправленного сбора данных. Это первое исследование, предоставляющее оперативные рекомендации на уровне округов для реагирования на вспышку вируса Бундиbugyo с использованием данных о мобильности в реальном времени. Импликации всех доступных доказательств. Планы готовности должны приоритизировать целенаправленное наблюдение в высокорискованных центрах импорта (Кисоро для пограничного контроля) и внутренних эпидемических центрах (Кампала для ресурсов реагирования), а не ненаправленные национальные вмешательства. Исключительная связанность пострадавших зон, обрисованная Бангелеса и др., при том что провинция Итури имеет второй по величине MII в стране, и все три зоны эпицентра превышают 95-й процентиль, делают отслеживание контактов чрезвычайно трудоемким. Отсутствие лицензированной вакцины против вируса Бундиbugyo исключает стратегию вакцинации по кругу, которая была эффективна во всех шести предыдущих вспышках Эболы в ДРК, вызванной вирусом Эбола Заира. Быстрая характеристика специфических штаммов биологических параметров через отслеживание контактов и анализ последовательного интервала может дать большую отдачу, чем уточнение операционных протоколов. Усиленное трансграничное наблюдение в рамках Международных медицинских правил 2005 года и рамок Чрезвычайной общественной безопасности АфриканскогоCDC жизненно важно для гармонизации обнаружения и реагирования по всему тройному границе ДРК-Уганда-Южный Судан.

Цель: Расстройство дефицита внимания и гиперактивности (СДВГ) является клинически и этиологически гетерогенным, и диагностические решения могут выиграть от интеграции нескольких источников информации. Мы разработали подход объяснимого глубокого обучения, чтобы проверить, могут ли генетические, экологические, когнитивные, демографические и темпераментные данные классифицировать диагностику СДВГ и выявить факторы, способствующие принятию решений модели. Метод: Мы проанализировали участников когорты Oregon ADHD-1000, разделенных на тренировочные, валидационные и тестовые подмножества. Мы обучили модульные нейронные сети для классификации статуса случая-контроля СДВГ с использованием данных генотипа на уровне SNP с биологическими аннотациями, полигенных баллов, демографических данных, конфликтов в родительско-семейной среде, стресса и травмы, геокодированных мер, когнитивных задач, баллов темперамента и индикаторов отсутствия данных. Оптимизация гиперпараметров выбрала архитектуру модели и включение блоков признаков. Мы оценили производительность модели, используя AUC, кривые точности и полноты, анализы калибровки и предсказательной определенности, а также анализ кривой решений. Мы использовали интегрированные градиенты для количественной оценки важности на уровне блока, признака и индивидуальной важности признаков. Результаты: Лучшая модель, использующая черты темперамента, показала AUC 0.97 в удержанном тестовом подмножестве, с высокой точностью, чувствительностью и специфичностью и Brier score 0.06. Лучшая модель, исключающая темперамент, имела AUC 0.75. Анализы важности признаков подчеркнули важность темперамента, демографических и когнитивных доменов в модели, включающей темперамент. Индивидуализированные объяснения показали, что факторы предсказания варьировались между участниками и могли помочь выявить противоречивые или поддерживающие доказательства в различных доменах. Заключение: Объяснимые многомодальные классификационные модели могут интегрировать гетерогенную информацию, релевантную СДВГ, и выявлять признаки, которые способствуют индивидуальным прогнозам. Такие модели могут продвинуть исследования риск-моделирования СДВГ и поддерживать принятие решений клиницистами, особенно в сложных или диагностически неопределенных случаях.

Фон. Медицинским организациям все чаще требуется принимать стратегические решения о системах искусственного интеллекта (ИИ) до полного понимания их клинической ценности, операционных последствий, требований к управлению и влияния на рабочую force. Пилоты клинического ИИ могут уменьшить эту неопределенность только в том случае, если они генерируют управленческие доказательства, имеющие значение, помимо ретроспективной оценки работы моделей, включая доказательства по интеграции рабочих процессов, архитектуре управления, взаимодействию пользователей, ответственностью и непрерывному обучению. Цель. Это исследование направлено на изучение того, как перспективное внедрение системы поддержки принятия клинических решений (CDSS), основанной на ИИ, в отделении интенсивной терапии (ОИТ), выявило организационные и связанные с управлением неопределенности, а также на выработку переносаемого управленческого инструментария для развертывания клинического ИИ на ранней стадии. Методы. Мы провели перспективную однопортальную оценку внедрения CDSS на основе машинного обучения для прогнозирования продолжительности пребывания в ОИТ в хирургическом отделении ОИТ в немецком университете. Исследование включало 267 подряд пребываний в ОИТ и было одобрено Этическим комитетом ЛМУ Мюнхен (Проект № 24-0336) и зарегистрировано в Немецком реестре клинических испытаний (DRKS00037851). Оценка сочетала пять управленческих областей: интеграция рабочих процессов и операционное принятие, архитектура управления и влияние защиты данных, постоянный бенчмаркинг у постели как механизм непрерывного обучения, встроенная этика и дизайн ответственности, а также взаимодействие человека и ИИ с учетом гетерогенности пользователей, оцененной с помощью инструмента Психологической оценки ИИ-систем поддержки принятия решений. Результаты. Внедрение показало, что неопределенность, связанная с ИИ, генерировалась в основном на стыке между CDSS и ее организационной средой. Небольшая нагрузка "глянуть и оценить" рабочий процесс позволила консультантам и врачам-резидентам регулярно использовать систему, с долями использования 72% (191/267) и 61% (162/267) соответственно. Требования к управлению привели к необходимости архитектуры с раздельными данными, с одним обновлением данных в день, что обеспечивало соблюдение норм, но создавало операционные задержки; устаревшие записи в списках случаев возникли в 4 из 148 отмеченных случаев (2.7%). Живой бенчмаркинг функционировал как обратная связь и поддерживал исследовательское уточнение модели, со средней абсолютной ошибкой CDSS, снижающейся с 5.95 до 4.12 дней после первого обновления модели. Встроенная этика информировала о процессе внедрения, рамках ответственности, формулировках интерфейса и дизайне объяснимости. Оценка взаимодействия человека и ИИ предполагала гетерогенные архетипы пользователей с различными потребностями в управлении изменениями. Заключение. Развертывание клинического ИИ следует рассматривать как процесс организационного обучения, а не как чисто техническую реализацию. Соответствующим объектом управления является развернутая социотехническая система, включая рабочий процесс, архитектуру управления, обратные связи, этику и взаимодействие с пользователем. Мы предлагаем инструментарий управления, учитывающий аспекты управления, который поможет администраторам и специалистам в области цифрового здравоохранения различать разрешимую неопределенность проектирования внедрения от истинного отсутствия клинической ценности и поддерживать поэтапные, основанные на доказательствах решения относительно масштабирования, инвестиций и окончательной оценки.

Для оценки больших языковых моделей (БЯМ) в предэндоскопической (ПЭ) стратификации риска и предсказании эндоскопических находок при кровотечении из верхних отделов желудочно-кишечного тракта (КВУГЖ), а также для сравнения их эффективности с клиническими шкалами риска, традиционными моделями машинного обучения (МО) и гибридными подходами. Это многоцентровое ретроспективное исследование включало 384 пациента с КВУГЖ, которые прошли эндоскопию. Пять БЯМ были протестированы с использованием структурированных нулевых запросов на основе клинических и лабораторных данных ПЭ. Их эффективность в выявлении пациентов с высоким риском была сопоставлена с шкалой Глазго-Блэтчфорда (GBS), AIMS65, шкалой Рокалла для ПЭ и моделями МО. Также были оценены гибридные модели БЯМ-шкала. Два гастроэнтеролога оценили качество обоснований, сгенерированных БЯМ. GBS показала наилучшие дискриминационные показатели среди клинических шкал (площадь под кривой операционной характеристикой [AUROC] 0.73). Среди БЯМ GPT-5 достиг наивысшей точности (0.66), в то время как Grok продемонстрировала наилучшие сбалансированные показатели (0.59; F1 0.47). Gemini-2.5-Flash имела наивысшую чувствительность (0.89), но низкую специфичность (0.21). Эндоскопические предсказания имели скромную производительность, при этом Gemini-2.5-Flash достигла наивысшей точности точного соответствия (0.34) и микро-F1 (0.38). Гибридные модели улучшили результаты по сравнению с отдельными БЯМ, но не превзошли GBS (лучший: GBS+GPT-5, AUROC 0.67). БЯМ показали более высокие численные показатели по сравнению с традиционными моделями МО, но статистическое сравнение было невозможно из-за отсутствия данных на уровне экземпляров. Grok получила наивысший балл человеческой оценки за качество объяснений. БЯМ показали умеренное качество в стратификации риска КВУГЖ и предсказании эндоскопии, но уступили клиническим шкалам, особенно GBS. Гибридные модели немного улучшили показатели по сравнению с отдельными БЯМ, но не превзошли GBS, поддерживая их использование как вспомогательных инструментов, а не систем поддержки клинического решения.

В данном исследовании была разработана и проанализирована математическая модель для Муринги с целью управления природными вредителями плантации через интегрированное управление вредителями (ИУВ). Биоп pesticides являются дорогими, трудными в применении и требуют длительного процесса. Однако данный метод будет более эффективным и менее затратным, если в сельскохозяйственную систему будут добавлены химические пестициды наряду с биоп pesticides. Здесь мы рассматриваем использование интегрированного управления вредителями (ИУВ) в сочетании с химическими и биологическими пестицидами. Мы определяем, какой параметр может привести к смене стабильности. Используя теорию оптимального управления, был установлен идеальный профиль концентрации для обоих типов пестицидов, чтобы уменьшить побочные эффекты и максимизировать экономику процесса. Численные симуляции подтверждают основные результаты.