Консенсус и климат обучения в временных и постоянных командах в процессе командного обучения.

Болезнь Альцгеймера (БА) – это расстройство мозга, которое развивается медленно и в основном затрагивает память, мышление, язык и повседневную деятельность. Это одно из самых распространенных причин деменции и создает множество трудностей как для пациентов, так и для их семей. На ранней стадии симптомы часто слабо выражены и могут напоминать нормальное старение. По этой причине многие люди получают диагноз слишком поздно, когда болезнь уже прогрессирует. В настоящее время полного лекарства от БА не существует. Тем не менее, ранняя диагностика может помочь врачам лучше управлять состоянием пациента и предпринять необходимые шаги вовремя. В этом исследовании предлагается модель машинного обучения для определения ранних стадий болезни Альцгеймера на основе клинических данных, результатов нейропсихологических тестов и мер, связанных с нейровизуализацией. Данные, использованные в работе, собраны из Инициативы по нейровизуализации болезни Альцгеймера (ADNI). Поскольку в наборе данных есть пропущенные значения, применяется итеративная импутация для их заполнения. Набор данных также имеет несбалансированные классы, что решается с помощью метода Borderline SVM-SMOTE. Затем проводится отбор признаков с использованием оберток и встраиваемых методов, чтобы использовать только важные признаки для обучения. Выбранные признаки делятся на обучающие и тестовые наборы, и применяется масштабирование признаков. Разрабатывается ансамблевая модель стекового обучения с использованием логистической регрессии, Extra Trees, Bagging KNN и LightGBM в качестве базовых классификаторов. Кроме того, также обучается искусственная нейронная сеть на том же наборе данных. Эффективность этих моделей сравнивается по таким метрикам, как точность, полнота, F1-меры и AUC-ROC. Цель этого исследования состоит в том, чтобы найти лучший классификатор и выявить важные биомаркеры, которые могут помочь в ранней диагностике болезни Альцгеймера.

Доменные агенты часто сталкиваются с шумными бизнес-данными, неопределёнными приростами после обучения, несоответствием между оффлайн и приложением, а также риском выпуска адаптера. В данной работе представлен метод CLAP (Closed-Loop Agent Post-training) — замкнутого цикла, который преобразует бизнес-данные в структурированные образцы SFT, образцы предпочтений решений, контрольные наборы, диагностику рисков и записи о воротах выпуска. CLAP сочетает в себе проверку данных, нормализацию целей и доказательств, диагностику награды и KL, оффлайн-ворота и воспроизведение цепочки приложений, чтобы определить, подходит ли адаптер для целевой цепочки приложений. На пяти анонимизированных партиях производственных сценариев метод LoRA-SFT в стиле QLoRA демонстрирует умеренные средние приросты: общий балл увеличивается на 0.0098, процент прохождения на 0.0240 и точность доказательств на 0.0280, в то время как случаи галлюцинаций и неверных фактов уменьшаются. Тем не менее, только 3 из 5 партий показали улучшение, а в некоторых случаях наблюдался регресс, при этом GRPO выявляет высокие риски KL. Воспроизведение цепочки приложений дополнительно указывает на то, что RAG необходим для фактической экстракции; при том же базовом уровне 3B и 100 случаях воспроизведения адаптер LoRA-SFT, ориентированный на приложения RAG, улучшает ценность, ключевые поля и совпадения ответов-доказательств по сравнению с базовым+RAG, но увеличивает задержку. Эти результаты поддерживают управление постобучением доменного агента через интегрированный цикл данных, обучения, оценки и выпуска, а не полагаясь на завершение обучения или единичный оффлайн-бал.

Верное рассуждение имеет важное значение в медицине, где клинические решения требуют прозрачного обоснования, основанного на надежных доказательствах. Текущие медицинские крупные языковые модели либо не имеют активного доступа к доказательствам, либо используют извлеченные доказательства, не контролируя, как их следует оценивать и применять в процессе рассуждений. Чтобы решить эту проблему, мы формализуем принципы доказательной медицины как критерии на уровне процесса и представляем FaithMed — структуру, которая сочетает в себе разработанные клиницистами автоматически уточняемые рубрики с методом обучения с подкреплением, используя назначение вознаграждения на уровне процесса и группировку преимуществ. В семи медицинских тестах FaithMed показывает улучшения по сравнению с базовыми моделями агентного поиска (+9% в среднем) и методом обучения с подкреплением, ориентированным только на результат (+5.8%), при этом повышая средние показатели рубрик доказательной медицины по сравнению с базовыми моделями агентного поиска Qwen3 (+15.5%). Эта работа демонстрирует, что явный контроль на уровне этапов может улучшить как успешность выполнения задачи, так и верность процесса рассуждения. Код доступен по адресу https://github.com/cxcscmu/FaithMed.

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.

Исследуется воспринятый стресс и знания, отношения и практики (KAP) в отношении первой помощи при педиатрической травме среди педиатрических медсестер. Кросс-секционное исследование проведено с мая по август 2025 года в четырех специализированных больницах провинции Хэнань и включало педиатрических медсестер. Для оценки воспринятого стресса и способности к сопоставлению использовалась шкала воспринятого стресса (PSS-14). Структурированный вопросник использовался для оценки KAP в отношении первой помощи при педиатрической травме. Применялся анализ латентных профилей (LPA) для выявления различных профилей стресса. Оценки KAP выше 70% считались хорошими. В исследовании участвовали 472 педиатрические медсестры. Оценки знаний, отношения и практик составили 44 [40,46] (80% от максимума), 35.5 [32,38] (88.8% от максимума) и 29.04±5.81 (72.6% от максимума) соответственно, что говорит о хорошем уровне KAP. LPA выявил четыре профиля: Профиль 1 (высокий воспринятый стресс + высокий уровень способности к совладанию, 26.48%), Профиль 2 (умеренный воспринятый стресс + умеренный уровень способности к совладанию, 47.88%), Профиль 3 (умеренный воспринятый стресс + низкий уровень способности к совладанию, 15.25%) и Профиль 4 (низкий воспринятый стресс + умеренный уровень способности к совладанию, 10.38%). Профиль 1 сообщал о самом высоком воспринятом стрессе [24 (23, 25)] и лучших способностях к совладанию [15 (13, 17)]. В результате этот профиль постоянно набирал наивысшие баллы по знаниям [44 (42, 49)] и отношениям [37 (33, 39)], что указывает на то, что эффективные механизмы совладания могут смягчить негативные последствия высокого стресса. Данное исследование подчеркивает разнообразие стрессовых профилей среди педиатрических медсестер и их связь с первой помощью при педиатрических травмах. Результаты подчеркивают важность целевых вмешательств для улучшения механизмов совладания. Будущие программы обучения должны учитывать стратегии управления стрессом наряду с развитием навыков.

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.