Предвосхищающая и тематически специфическая нейронная осцилляция предсказывает эстетическую оценку поэзии.

Задачи комбинаторной оптимизации (ЗКО) сложны, поскольку сертифицируемая дискретная структура порождает экспоненциальный поиск. Необходимо исследовать множество экспоненциально больших кандидатов для сертификации оптимальности; однако структурную состоятельность пути, упаковки или покрытия можно проверить за полиномиальное время, если она уже задана. В этом исследовании мы представляем Ценообразование Нейронных Сертификатов (ЦНС), которое использует эту асимметрию в рамках обучения без учителя. Нейронная сеть обучается предсказывать двойственные цены на уровне сертификата, в то время как структурный слой восстановления строит индуктивные первичные маржи. ЦНС можно рассматривать как амортизированное отделение: вместо перечисления нарушенных неравенств она обучается остаточным ценам, через которые их суммарный эффект входит в восстановление. Когда выполняется условие согласованности сертификата, восстановленная маржа является глобально состоятельной, а локальная теория показывает, что ошибки первого порядка в предсказанной цене вызывают только потери второго порядка в целевой функции. В трех классах ЗКО ЦНС либо значительно превосходит современные нейронные базовые модели, либо сопоставима с ними при меньших вычислительных затратах и показывает более сильную обобщаемость вне распределения.

Цель данного исследования заключалась в разработке и внешней валидации модели прогнозирования риска острого повреждения почек (ОПП) на 48 часов в реальном времени для критически больных пациентов с использованием модели глубокого обучения двойного канала (DC-AKI). Модель была разработана на основе электронных медицинских записей 28,099 пациентов в медицинском центре Beth Israel Deaconess и внешне валидирована на двух независимых когорт, состоящих из 3,108 пациентов из базы данных eICU и 2,808 пациентов из больницы народного госпиталя провинции Чжэцзян. Тридцать одна изменяющаяся во времени характеристика обновлялась каждые 6 часов. Архитектура модели DC-AKI интегрировала сети BiGRU, свёрточные слои и механизмы внимания для захвата мультишкалярных временных зависимостей. Модель достигла значений площади под кривой операционных характеристик (AUC) 0,720 (95% ДИ, 0,714-0,728) при внутренней валидации и 0,577 (95% ДИ, 0,570-0,583) и 0,798 (95% ДИ, 0,795-0,799) в двух внешних когорт. Анализ интерпретируемости SHAP выявил ключевые клинические предикторы и индивидуальные траектории риска. В заключение, DC-AKI продемонстрировала хорошую предсказательную способность в развивающей когортной популяции и на одном сайте внешней валидации, хотя производительность существенно варьировала в зависимости от учреждений. Необходимо дальнейшая валидация и локальная калибровка для поддержки её клинического применения.

Около 60%-70% пациентов с метастатическим немелкоклеточным раком легкого (НМРЛ) имеют относительно низкую мутационную нагрузку (МНМ), при этом возможности иммунотерапии, ориентированные на биомаркеры, ограничены за пределами экспрессии PD-L1. Мутационные сигнатуры APOBEC (катализатор редактирования мРНК апопротеина B, подобный полипептид) определяются характерными геномными отпечатками и связаны с более высокой МНМ и лучшим ответом на ингибиторы контрольных точек иммунитета (ИКИ). Однако не установлено, предсказывает ли APOBEC ответ на ИКИ в опухолях с низкой МНМ независимо. Мы проанализировали 857 пациентов с метастатическим НМРЛ, получавших ИКИ, и 1328 пациентов, не получавших ИКИ, с низкой МНМ (<10 мут/Мб) из когорты MSK-CHORD. Статус APOBEC был классифицирован с использованием MESiCA, алгоритма машинного обучения для обнаружения мутационных сигнатур из целевых панелей генов. Прогностическая ценность была установлена через тестирование взаимодействия лечения, многофакторную корректировку, взвешивание по шкале предпочтений и анализы вех. Внешняя валидация включала 82 пациента с низкой МНМ из опубликованных исследований полного экзомного секвенирования. Пациенты с положительными результатами на APOBEC (n = 52, 6.1%) имели значительно улучшенную общую выживаемость [медиана 33.7 против 17.4 месяцев; коэффициент рисков (HR) 0.60, 95% доверительный интервал (CI) 0.42-0.85, P = 0.004]. Нижеуказанная польза не наблюдалась у пациентов, не получавших ИКИ (HR 0.98, P = 0.85), с значительным взаимодействием лечения (P = 0.032), что подтверждает прогностический, а не прогностический эффект. APOBEC оставался независимым предиктором после корректировки по статусу PD-L1 и возрасту (откорректированный HR 0.57, P = 0.002). Эта польза была особенно выражена у пациентов с отрицательным статусом PD-L1, получающих ИКИ (HR 0.51, P = 0.002). Эффект был устойчивым в анализах по шкале предпочтений, вехам и бутстрепам. Внешняя валидация подтвердила независимую пользу APOBEC (откорректированный HR 0.23, P = 0.020). Мутационные сигнатуры APOBEC представляют собой надежный предиктивный биомаркер для ответа на ИКИ у пациентов с метастатическим НМРЛ с низкой МНМ, выявляя ответчиков, особенно среди пациентов с отрицательным статусом PD-L1, где наиболее необходима ориентация на биомаркеры, и их можно обнаружить путем анализа целевых панелей генов, используемых в рутинной клинической практике.

Переломы бедра являются серьезной глобальной проблемой здравоохранения с высокой смертностью и заболеваемостью, особенно среди пожилых людей. Смертность в течение года после операции варьирует от 22% до 36%, при этом многие пациенты никогда не восстанавливают исходный уровень подвижности. Хотя определены несколько предикторов смертности, их относительное значение для риска смертности в единой модели прогнозирования выживания остается неясным. Это исследование использовало машинное обучение для ранжирования ключевых пероперативных предикторов смертности после операции по поводу перелома бедра. Были проанализированы данные более чем 11 000 пациентов из регистра переломов бедра Австралии и Новой Зеландии. Оценивались двадцать демографических, клинических и пероперативных переменных с использованием модели Random Survival Forest (RSF). Эффективность модели была оценена с помощью индекса согласия и оценок Брайера. Важность признаков на основе перестановок определила предикторы в соответствии с их вкладом в прогнозирование риска смертности. В течение периода наблюдения (медиана 630 дней) 31% пациентов скончались. Модель RSF продемонстрировала хорошую эффективность (индекс C на тесте: 0.7305). Четыре наиболее важных предиктора смертности включали степень по классификации Американского общества анестезиологов (ASA) (вес: 0.051), наличие ранее существовавшей деменции (0.036), возраст (0.019) и способность передвигаться до госпитализации (0.016). Другие факторы, такие как мужской пол (0.009) и осталась госпитализация (0.006), имели более слабые связи с предсказанием смертности в этой модели. Машинное обучение идентифицировало степень ASA, деменцию, возраст и подвижность как основные предикторы смертности после операции по поводу перелома бедра. Моделирование RSF продемонстрировало высокую эффективность и лучшую интерпретируемость по сравнению с традиционными методами. Эти результаты поддерживают индивидуализированную стратификацию для информирования пероперативных обсуждений и планирования целей ухода в этой группе с высоким риском.

В данной статье представляется обзор работы, посвященной оценке крупных языковых моделей в контексте их способности предоставлять точную информацию о вакцинации и профилактической медицине. Обсуждаются методы, использованные для экспертизы, и выводы, сделанные на основе анализа.

Понимание причин, стоящих за человеческими выборами в условиях риска, является центральной целью науки о принятии решений, однако традиционные методы, основанные на поведенческих данных, ограничены строгими предположениями о неизменности. Мы представляем масштабируемую аналитическую структуру с использованием больших языковых моделей (BLM) для анализа устных отчетов и выявления сформулированных причин выбора между денежными лотереями. Проверенная BLM точно определила предопределенные причины решений в свободных текстовых отчетах участников, что совпало с их фактическими выборами в 95% случаев. Наш анализ показывает, что причины, лежащие в основе решений людей, варьируются систематически и в большей степени зависят от структуры проблемы выбора, чем от индивидуальных различий. Важно отметить, что причины, полученные из устных отчетов, предоставляют более экономичные и информативные представления процессов принятия решений, чем те, что исходят только из выборов; кроме того, профили причин, специфичных для проблемы, достигают точности предсказаний вне выборки, которая сопоставима с установленными вычислительными моделями. Эта работа демонстрирует, что устные отчеты являются богатым источником данных, и наша аналитическая структура может раскрыть их потенциал, предоставляя результаты, которые ставят под сомнение основные предположения о неизменности в этой области и прокладывают путь к более контекстно чувствительным и интерпретируемым моделям человеческого принятия решений.