Хотите увидеть себя в стиле аниме? Попробуйте новое приложение с ИИ (на первом фото) — загрузите фото, и оно мгновенно превратит вас в героя мультфильма!
Однако, работает через VPN, без платной подписки можно генерировать три изображения в сутки 😎
Популярный тренд 😍
У кого нет VPN и вы очень хотите генерацию - добавляйте лабораторное фото в комментарии, мы сгенерируем :)
Однако, работает через VPN, без платной подписки можно генерировать три изображения в сутки 😎
Популярный тренд 😍
У кого нет VPN и вы очень хотите генерацию - добавляйте лабораторное фото в комментарии, мы сгенерируем :)
❤21🔥14👍5🙏1🎄1
Коллеги, вышла еще одна публикация с нашим участием:
РАЗРАБОТКА МЕТОДА ДИФФЕРЕНЦИАЛЬНОЙ ДИАГНОСТИКИ ЖЕЛЕЗОДЕФИЦИТНОЙ АНЕМИИ И АНЕМИИ ХРОНИЧЕСКИХ БОЛЕЗНЕЙ НА ОСНОВЕ ДЕМОГРАФИЧЕСКИХ ДАННЫХ И РЕЗУЛЬТАТОВ РУТИННЫХ ЛАБОРАТОРНЫХ ИССЛЕДОВАНИЙ С ИСПОЛЬЗОВАНИЕМ ТЕХНОЛОГИЙ МАШИННОГО ОБУЧЕНИЯ
Аннотация:
Введение. Изучение возможностей методов машинного обучения - раздела науки об искусственном интеллекте - актуально для разработки оптимальной скрининг-стратегии, определения групп риска, применения менее дорогостоящих и более доступных лабораторных тестов для оценки статуса железа в организме.
Цель исследования - подобрать подходящий алгоритм машинного обучения для прогнозирования уровня ферритина сыворотки (ФС) и оценить его применимость для дифференциальной диагностики железодефицитной анемии и анемии хронических болезней.
Материалы и методы. Для создания модели использовали набор данных 9771 пациента c микро- и нормоцитарными анемиями. На основе демографических данных (пол и возраст), клинического анализа крови, содержания С-реактивного белка и известного уровня ФС разработаны регрессионная модель для расчета предполагаемой концентрации ФС у конкретного пациента и с использованием тех же параметров классификационная модель для определения группы уровня ФС, к которой относится пациент: I - < 15 мкг / л; II - 15-100 мкг / л; III - 100-300 мкг / л; IV - ≥ 300 мкг / л.
Результаты. Полученная регрессионная модель обладает умеренной предиктивной способностью (R2 = 0,70; медианная абсолютная ошибка 10,7 мкг / л), коэффициент корреляции между известным и прогнозируемым уровнем ФС составил r = 0,85 (p < 0,05). Классификационная модель обладает высокой диагностической точностью для разных клинических групп по уровню ФС (площадь под кривой ошибок составила 0,91; 0,79; 0,84; 0,90 и 0,96; 0,76; 0,71; 0,82 для пациентов со сниженным уровнем гемоглобина женского (< 120 г / л) и мужского пола (< 130 г / л) в группах I, II, III, IV соответственно).
Заключение. Прогнозирование содержания ФС с помощью разработанных моделей может использоваться в качестве точного и клинически значимого инструмента для дифференциальной диагностики железодефицитной анемии (прогнозируемый ФС понижен (< 100 мкг / л), содержание С-реактивного белка в норме) и анемии хронических болезней (прогнозируемый ФС в норме или повышен (> 100 мкг / л), содержание С-реактивного белка повышено) в реальной врачебной практике.
Будем рады сотрудничеству, совместным публикациям и цитированию статьи 🫶🏾
РАЗРАБОТКА МЕТОДА ДИФФЕРЕНЦИАЛЬНОЙ ДИАГНОСТИКИ ЖЕЛЕЗОДЕФИЦИТНОЙ АНЕМИИ И АНЕМИИ ХРОНИЧЕСКИХ БОЛЕЗНЕЙ НА ОСНОВЕ ДЕМОГРАФИЧЕСКИХ ДАННЫХ И РЕЗУЛЬТАТОВ РУТИННЫХ ЛАБОРАТОРНЫХ ИССЛЕДОВАНИЙ С ИСПОЛЬЗОВАНИЕМ ТЕХНОЛОГИЙ МАШИННОГО ОБУЧЕНИЯ
Аннотация:
Введение. Изучение возможностей методов машинного обучения - раздела науки об искусственном интеллекте - актуально для разработки оптимальной скрининг-стратегии, определения групп риска, применения менее дорогостоящих и более доступных лабораторных тестов для оценки статуса железа в организме.
Цель исследования - подобрать подходящий алгоритм машинного обучения для прогнозирования уровня ферритина сыворотки (ФС) и оценить его применимость для дифференциальной диагностики железодефицитной анемии и анемии хронических болезней.
Материалы и методы. Для создания модели использовали набор данных 9771 пациента c микро- и нормоцитарными анемиями. На основе демографических данных (пол и возраст), клинического анализа крови, содержания С-реактивного белка и известного уровня ФС разработаны регрессионная модель для расчета предполагаемой концентрации ФС у конкретного пациента и с использованием тех же параметров классификационная модель для определения группы уровня ФС, к которой относится пациент: I - < 15 мкг / л; II - 15-100 мкг / л; III - 100-300 мкг / л; IV - ≥ 300 мкг / л.
Результаты. Полученная регрессионная модель обладает умеренной предиктивной способностью (R2 = 0,70; медианная абсолютная ошибка 10,7 мкг / л), коэффициент корреляции между известным и прогнозируемым уровнем ФС составил r = 0,85 (p < 0,05). Классификационная модель обладает высокой диагностической точностью для разных клинических групп по уровню ФС (площадь под кривой ошибок составила 0,91; 0,79; 0,84; 0,90 и 0,96; 0,76; 0,71; 0,82 для пациентов со сниженным уровнем гемоглобина женского (< 120 г / л) и мужского пола (< 130 г / л) в группах I, II, III, IV соответственно).
Заключение. Прогнозирование содержания ФС с помощью разработанных моделей может использоваться в качестве точного и клинически значимого инструмента для дифференциальной диагностики железодефицитной анемии (прогнозируемый ФС понижен (< 100 мкг / л), содержание С-реактивного белка в норме) и анемии хронических болезней (прогнозируемый ФС в норме или повышен (> 100 мкг / л), содержание С-реактивного белка повышено) в реальной врачебной практике.
Будем рады сотрудничеству, совместным публикациям и цитированию статьи 🫶🏾
🔥16👍11🙏1👌1😍1🎄1
Уважаемые липчане! Информация для вас👇🏻
👍4🎄2❤1