Search Results 22

「GoとMetalシェーディング言語を通じてAppleのGPUをプログラミングする」

以下では、GoとネイティブCの間でcgoを使用してインターフェースを作成するプロセス、これを使用してAppleのMetal Performance ShadersフレームワークのObjective-Cバインディングとインターフェースを作成する方法について説明します

ジュネーブ大学の研究者は、多剤耐性（MDR）腸内細菌感染の入院リスクを予測するためのグラフベースの機械学習モデルを調査しています

マシンラーニングは、医療で非常に重要なツールとして登場し、業界のさまざまな側面を革新しています。その主な応用の一つは、診断にあります。マシンラーニングのアルゴリズムは、医療画像、遺伝情報、および患者の記録を含む巨大なデータセットを分析し、パターンを特定し正確な予測を行います。以前は、マシンラーニングモデルは感染しやすい患者を検出し、感染予防対策（IPC）プログラムを支援するために使用されていました。これらのモデルには、電子健康記録（EHR）で定期的に収集される大量の医療データが使用されました。クラシックなマシンラーニングモデルは限られたユースケースでは効果的な結果を示すかもしれませんが、大規模かつ縦断的なEHRデータに一般化することができません。ジュネーブ大学の研究者たちは、医療技術において画期的な進展を遂げました。彼らはグラフニューラルネットワーク（GNN）を医療に使用して抗菌耐性（AMR）と多剤耐性（MDR）のエンテロバクテリア属の菌叢を検出しました。エンテロバクテリア属は通常健康な人の腸内に存在しますが、他の体の部位に菌叢を形成し感染を引き起こすと、健康に非常に危険です。これらの病原体の増殖にはさまざまな要因が関与しています。研究者たちは、患者と医療従事者の相互作用をグラフ構造でモデル化しました。ノードとその相互作用が患者を表すエッジを記述するグラフニューラルネットワーク（GNN）モデルを訓練して、臨床的な特徴と時空間的な特徴を備えた患者ネットワークからの菌叢のパターンを学習しました。ジュネーブ大学のダグラス・テオドロ教授は、重要な目標は医療環境内の複雑な相互作用をモデル化して、医療関連感染症（HAIs）の拡散を予測することであると述べました。患者と医療従事者に関するネットワーク情報もこの予測に取り入れられました。この研究の最も重要なメッセージは、医療ネットワークの相互作用を分析することでHAIsの予測を向上させる可能性があるということです。この手法は医療環境における感染予防と制御技術を大幅に前進させることができます。テオドロ教授はまた、この手法のデータ駆動型アプローチに基づいて、同様の伝播ダイナミクスを持つ他の病原体やさまざまな医療環境にも適用できると予想しています。この研究には、「病院感染のグラフベース予測」という名前の画像が含まれており、チームがグラフニューラルネットワークを使用して多剤耐性エンテロバクテリア属の伝播パターンをモデル化した方法を示しています。この研究は、病院が感染リスクを予測し対処する方法を変革することを目指しています。モデルは、Medical Information Mart for Intensive Care (MIMIC-III) データセットを使用して訓練および評価され、従来の機械学習のベースラインと比較されました。特に、GNNモデルは、抗菌薬感受性（AMS）、AMR、およびMDRエンテロバクテリア属の早期検出において、ベースラインモデルよりも優れた予測能力を示しました。研究者たちは、モデルをテストし、バンコマイシン耐性エンテロコッカス感染が時空間的特徴を使用して同定された場合、受信特性曲線下面積（AUROC）の性能が88％以上であることを確認しました。研究者は、GNNモデルが特徴量として0.91から0.96の範囲のAUROC性能を示すことを発見しました。この性能は、ロジスティック回帰のベースラインの88％よりも8％高いです。