Систематический обзор и мета-анализ оценивают эффективность систем распознавания позы на базе машинного и глубокого обучения для предотвращения профессиональных заболеваний опорно-двигательного аппарата. Исследование показывает, что глубокое обучение превосходит классическое машинное обучение по точности и чувствительности, а гибридные решения достигают точности более 99%. Результаты подтверждают высокую эффективность ИИ-методов в эргономическом мониторинге, хотя уровень доказательности для реальных условий остается низким.
Данный обзор оценивает доказательства систематических обзоров и мета-анализов по применению чат-ботов для лечения психических состояний. Результаты показывают потенциальные краткосрочные преимущества, однако эффективность остается неубедительной из-за неясного риска смещения, отсутствия долгосрочных исследований и сравнений с традиционной терапией. Авторы подчеркивают необходимость дальнейших исследований для улучшения качества коммуникации и безопасности.
Данное исследование представляет собой комплексный многоуровневый мета-анализ, посвященный использованию технологий пассивного сенсорного мониторинга (passive sensing) через смартфоны для оценки психического состояния подростков. В работе анализируются данные о том, как цифровые следы — такие как паттерны мобильности, активность использования приложений, физическая активность и параметры сна — могут служить биомаркерами для выявления ранних признаков депрессии, тревожных расстройств и других ментальных проблем. Методология исследования объединяет результаты множества первичных работ, позволяя оценить точность алгоритмов машинного обучения в прогнозировании состояний. Ключевые результаты указывают на высокую корреляцию между изменениями в цифровом поведении и клиническими показателями психического здоровья, что открывает возможности для создания систем непрерывного мониторинга. Практическая значимость работы заключается в обосновании внедрения цифровых фенотипов в клиническую практику для ранней диагностики и персонализированной поддержки подростков в режиме реального времени.
Данное исследование представляет собой систематический обзор и мета-анализ, направленный на оценку эффективности алгоритмов искусственного интеллекта (ИИ) и метода отложенной передачи данных (store-and-forward) при скрининге диабетической ретинопатии. Авторы проанализировали, как различные клинические условия — от специализированных офтальмологических центров до первичного звена здравоохранения — влияют на диагностическую точность используемых технологий. В работе исследуется разрыв между контролируемыми клиническими испытаниями и реальной практикой, где качество изображений и квалификация персонала могут варьироваться. Ключевым результатом является выявление корреляции между типом медицинского учреждения и показателями чувствительности и специфичности ИИ-систем. Исследование подчеркивает необходимость стандартизации протоколов получения изображений для обеспечения стабильной точности диагностики в различных медицинских сетях. Результаты имеют критическое значение для внедрения ИИ-решений в системы массового скрининга населения с целью минимизации риска ложноотрицательных заключений.
Исследование оценивает эффективность использования парадигм двойных задач (когнитивной и моторной нагрузки) для ранней диагностики деменции. Результаты показывают, что сенсорные датчики позволяют выявить значимые различия в походке и координации у пациентов по сравнению с контрольной группой, особенно при выполнении когнитивных задач.
Исследователи создали Celiac Microbiome Repository (CMR) — кураторскую открытую коллекцию данных секвенирования микробиома кишечника при целиакии. Цель проекта — решить проблему фрагментированности и гетерогенности данных, которые ранее были разбросаны по NCBI Sequence Read Archive (SRA) и Scopus. В CMR версии 1.0 включено 28 наборов данных, содержащих 3 245 образцов от пациентов из 13 стран, отобранных из 5 различных локаций тела. Все 16S данные были повторно обработаны через DADA2, а shotgun-данные — через MetaPhlAn4 для обеспечения сравнимости между исследованиями. Анализ показал, что хотя публичные образцы микробиома при целиакии накапливаются со скоростью примерно 140 в год, существуют значительные барьеры доступности: лишь 20 из 58 подходящих наборов данных имели как сырые данные, так и необходимую метаданную в публичных архивах. Ресурс имеет двухуровневую архитектуру с GitHub-бэкендом для программатического доступа и R Shiny-фронтендом для интерактивного исследования данных. Ключевая значимость работы заключается в создании инфраструктуры, которая позволяет исследовательскому сообществу проводить глобальные мета-анализы и применять методы машинного обучения для выявления новых биомаркеров и паттернов микробиома при целиакии, что в перспективе может улучшить диагностику и персонализированный подход к лечению.
