Quantencomputing: Die Zukunft der Technologie

Quantencomputing ist zweifellos die Zukunft. Es geht nicht nur darum, dass Quantencomputing eine potenzielle Bedrohung für die nationale Sicherheit darstellt. Vielmehr geht es darum, dass das Land, das die Führung bei Quanteninformationssystemen übernimmt, technologische und wirtschaftliche Vorteile gegenüber dem Rest der Welt für die nächsten fünf Jahrzehnte haben wird. Ich habe bereits meine Bedenken geäußert, dass die Vereinigten Staaten in diesem Rennen zurückfallen. Kürzlich wurde in einer Studie im American Journal of Roentgenology ein tiefes Lernmodell entwickelt, um das 30-Tage-Sterberisiko bei ambulant erworbenen Lungenentzündungspatienten anhand von Röntgenaufnahmen zur Diagnose zu schätzen. Das Modell wurde auch bei Patienten aus verschiedenen Institutionen und Zeiträumen validiert. Hintergrund Ambulant erworbene Lungenentzündung (CAP), eine häufige Ursache für Lungenentzündung, ist mit erheblicher Sterblichkeit und Nutzung medizinischer Ressourcen verbunden. Die Röntgenaufnahme der Brust ist ein wesentliches Werkzeug zur Diagnose von CAP und zur Risikostratifizierung. Die Einbeziehung von Röntgenbefunden in Risikovorhersagewerkzeuge war jedoch aufgrund der Variabilität zwischen den Lesern und der Schwierigkeit, objektive Biomarker zu extrahieren, begrenzt. Der CURB-65-Score und der Pneumonia Severity Index sind derzeit verfügbare Werkzeuge zur Vorhersage ungünstiger Ergebnisse bei CAP-Patienten. Über die Studie In der vorliegenden retrospektiven Studie entwickelten die Forscher ein DL-basiertes Modell zur Vorhersage des Todes innerhalb von 30 Tagen bei CAP-Patienten anhand von Brust-Röntgenaufnahmen. Das Modell wurde entwickelt, um das Risiko für 30-Tage-Mortalität aus beliebigen Gründen bei CAP-Patienten anhand ihrer ersten Brust-Röntgenaufnahmen vorherzusagen. Die Studie umfasste die Suche in den elektronischen Krankenakten (EMR) einer einzigen tertiären Überweisungseinrichtung nach Personen, bei denen zwischen März 2013 und Dezember 2019 eine CAP-Diagnose während einer beliebigen medizinischen Behandlung gestellt wurde. Das Team bewertete das Deep-Learning-Modell bei Personen, bei denen in den Notaufnahmen der Einrichtung, in der die Entwicklungskohorte diagnostiziert wurde, zwischen Januar und Dezember 2020 eine ambulant erworbene Lungenentzündung diagnostiziert wurde (die zeitliche Testgruppe, 947 Personen). Sie bewerteten das Modell auch an zwei anderen Einrichtungen, nämlich dem Seoul Metropolitan Government-Seoul National University Boramae Medical Center (externe Testgruppe A, 467 Personen) zwischen Januar und März 2020 und dem Chung-Ang University Hospital (externe Testgruppe B, 381 Personen) zwischen März 2019 und Oktober 2021. Die Entwicklungskohorte umfasste Patienten, bei denen bei einer beliebigen Behandlung eine CAP-Diagnose gestellt wurde, während die nachfolgenden Testkohorten nur Patienten umfassten, bei denen in der Notaufnahme eine CAP-Diagnose gestellt wurde. Das Team verglich die Fläche unter der Kurve (AUC)-Werte zwischen dem Deep-Learning-Modell und dem CURB-65-Tool, und die Ergebnisse des Kombinationsansatzes wurden mittels logistischer Regressionsmodellierung bewertet. Das primäre Ergebnismaß war die Mortalität aus beliebigen Gründen innerhalb von 30 Tagen nach der CAP-Diagnose. Ein Convolutional Neural Network (CNN) wurde entwickelt, um die 30-Tage-Mortalität nach CAP-Diagnose auf der Grundlage von Röntgenaufnahmen der Brust von Patienten in der Entwicklungsgruppe vorherzusagen. Die Modellausgaben repräsentierten die bedingten Überlebenswahrscheinlichkeiten zu verschiedenen Zeitintervallen, und ein erfahrener Thoraxradiologe führte eine Post-hoc-Analyse von Klassenaktivierungskarten durch. Das Deep-Learning-Modell wurde mit einer Teilnehmerverhältnis von 3,0: 1,0: 1,0 entwickelt.