Категорія: Великі Дані та Аналітика

WPP купив Infosum, чисту кімнату та стартап для співпраці.

Умови угоди, оголошені в четвер, не були розголошені.

Це придбання возз'єднує Infosum з Брайаном Мендом, колишнім генеральним директором. Infosum буде сидіти в межах GroupM, тепер очолювана менша, яка була головою та генеральним директором Infosum, поки він не приєднався до WPP у вересні.

Це не перший раз, коли менший придбав стартап, де він раніше був членом правління.

Раніше раніше був генеральним директором Xaxis, програмним торговим столом GroupM, де він був прихильником Appnexus. Він став директором правління Appnexus у 2014 році після того, як WPP інвестував у компанію.

Менший покинув дошку Appnexus, коли його найняли для ведення рекламного бізнесу AT&T у 2017 році – а потім негайно придбали AppNexus.

Але повернутися до угоди.

WPP набуває Infosum?!

Не так давно холдингова компанія, яка купує чисту кімнату даних, була б дивовижною новиною.

Однак протягом останніх кількох років зростає тенденція основних агентств Holdcos, що купує продавців даних, програмного забезпечення для підписки та рекламних технологій. Publicis – прекрасний приклад тенденції, принесучи Епсілон, Цитрусад, Профтеро і, останнім часом, Лотьам під одним дахом.

Lotame – це також повчальне тематичне дослідження, чому компанія AD Tech або Martech – або Infosum у цьому випадку – може вибрати приєднатися до величезного агентства. Лотам традиційно заробляв на життя на стороні продажу, співпрацюючи в основному з видавцями, купцями та медіа -компаніями. Але з часом дохід все частіше надходить від рекламодавців, які підключили свої перші дані до перших даних видавця.

Тепер, як інструмент, що пропонується клієнтам Publicis, Lotame має доступ до безогайного пулу рекламодавців.

Аналогічно, генеральний директор Infosum Лорен Ветцель, яка залишиться в ролі в рамках GroupM, заявила AdexChanger минулого року, що агенції стануть більш важливими партнерами для постачальників технологій співпраці даних.

Замість того, щоб перемогти RFP по одному, оскільки маркетологи вирішують перевірити чисті кімнати, продавці можуть скористатися існуючою книгою рекламодавця великого агентства. Ветцель також зазначив, що агенції часто є тими, які представляють та навчають технології співпраці з даними маркетологами, на відміну від самих продавців.

Media Agency Canvas, яке вибрало Infosum як свій перший партнер з чистоти даних на початку агентства на початку минулого року, вибрало Infosum, оскільки це більш інтуїтивно зрозуміло і менше технічного підйому, ніж Хабу.

Habu, придбаний Liveramp у 2024 році, є скоріше складом даних, побудованим для аналітиків даних, Canvas SVP з технології Кевін Маквіллі заявив AdexChanger. Агентство також працює з Хабу, за його словами, але інтерфейс користувача побудований для вчених даних, а не маркетологів.

День незалежності

Не маючи набиття, розмовляючи про тарифи “День звільнення”-Infosum базується у Великобританії, а Трамп щойно накладав 10% тарифів на весь британський імпорт-придбання Infosum за допомогою WPP піднімає постійно присутнє і все складніше питання про те, чи можливо для рекламних компаній, щоб підтримувати свою незалежність як частину іншої компанії.

З точки зору Infosum, як раніше Ветцель ставив його до адексеранта, незалежність для постачальників співпраці даних – це не лише те, чи керують ними гравці, які також продають медіа та надають техніку AD (а саме Google та Amazon). Постачальники також ставлять під сумнів, коли вони підключають програмне забезпечення для співпраці з даними до власних графіків ідентичності та служб ідентифікатора. Подумайте про Liveramp/Habu та сніжинку.

Хабу, нібито незалежний постачальник співпраці з даними – і головний суперник Infosum – тепер ідеально розміщений для розповсюдження Rampid Liveramp. Це дійсно Хабу не збирається віддати перевагу Рампіду?

З іншого боку, придбання агентства не означає, що Infosum обов'язково стимулюється, щоб віддати перевагу певному постачальнику рекламних технологій або медіа -постачальника. Але, Це створює питання для конкурента під час під час кроку.

Медіа-агенції, такі як Canvas, вибирають постачальників співпраці з даними, щоб допомогти їм, коли вони переходять до нових хмарних рекламних рішень. Якщо вони вибирають між Infosum та Habu, наприклад, перевага до Рампіда може не мати значення, як той факт, що Infosum зараз переходить на групу.

Невдовзі атаки Infosum на брокери даних можуть зручно вписуватися в групу. Wetzel обсмажував ідею технології співпраці даних, яка також є частиною системи брокерства даних, яка агрегує сигнали даних ідентичності від клієнтів, анонімізують ці сигнали, а потім перепродають або повторюють їх як ідентифікатори аудиторії.

Але в технологіях співпраці з великими даними, які зараз пов'язані з технологіями співпраці даних, включають Lotame (вибачте, Publicis), Liveramp (який придбав головний суперник Infosum) та брокерські брокерські дані Epsilon (Publicis Ally) та ACXIOM (частина IPG).

Іншими словами, WPP має багато нових друзів для Infosum, з якими можна грати у формі корпоративних брендів – але він також має всіх правильних ворогів.

Описуючи свою роботу як консультант з програми консалтингу на науки про дані, Абхінандра (Абхі) Сінгх змінив популярну цитату з The Гаррі Поттер Серія: “Допомога завжди буде надана в штаті NC тим, хто просить її”.

Програма консалтингових даних Data Science – це спільне зусилля між відділом даних про дані та візуалізації державних бібліотек NC та наукою про дані та Академією AI. Програма – безкоштовна та доступна для всіх студентів, викладачів та персоналу – поєднує користувачів із аспірантами, як Сінгх, які допоможуть їм знайти, підготувати, аналізувати, розуміти та візуалізувати дані в будь -який момент своєї дослідницької подорожі.

Першим кроком у придбанні їх допомоги, як запропонував коментар Сінгха, є призначення на зустріч.

“Найголовніша робота, яку ми робимо, – це допомогти людям зрозуміти, що вони намагаються вирішити, або яку історію вони хочуть розповісти своїми даними”, – сказав Сінгх. “Я думаю, що іноді люди настільки зосереджуються на більш тонких деталях своєї роботи, що вони не думають про те, як вони пояснюють це чи представлять це комусь іншому, і саме там ми заходьте”.

У своєму вступному році програма консалтингових консалтингу даних вже допомогла сотням людей, насамперед аспірантів, розробити, збирати та проаналізувати свої дані про дослідження, а також підготувати презентації. Консультації можуть бути заплановані в Інтернеті або особисто в лабораторії досвіду даних на третьому поверсі бібліотеки DH Hill Jr., або в DataSpace на третьому поверсі бібліотеки полювання. Окрім консалтингових служб, програма дозволяє користувачам резервувати робочу станцію у своїх бібліотечних місцях, де вони можуть використовувати комп'ютери за допомогою спеціального програмного забезпечення для візуалізації даних та функцій машинного навчання.

Провідна програма-це Мара Блейк, керівник служб даних та візуалізації для бібліотек, та Емілі Гріффіт, професор практики в Департаменті статистики та директор консалтингу для науки про дані та Академії AI. Також службовці на штатному факультеті та співробітниках програми є ALP Tezbasaran та Selena Schmittling, бібліотекарі з наукових даних; Кейт Фріман, спеціаліст з наукових даних; та Шеннон Річчі, асоційований керівник служб даних та візуалізації.

“Ми дуже раді цьому партнерству”, – сказав Блейк. “Бібліотеки та науки про дані та Академія AI вже давно співпрацювали за лаштунками, але це перший рік, який ми структурно інтегруються в кампусі, щоб створити єдине місце для отримання допомоги з наукових даних”.

Хоча подібні програми існують в інших університетах, співпраця між двома підрозділами дозволяє їм об'єднати ресурси та персонал, щоб охопити більш широкий спектр навчальних дисциплін.

“Те, що ми думаємо, відрізняє нас від більшості інших консалтингових програм, про які ми знаємо, – це те, що наше є центральним у кампусі, і це міждисциплінарно”, – сказав Блейк. “Ми наймаємо студентів з усіх дисциплін і намагаємось представляти спектр коледжів та відділів, які знаходяться в усьому кампусі, і задовольняють усі ці потреби”.

Модель зайнятості студентів також унікальна. Вісім аспірантів з широким спектром досвіду, досвіду та програмного забезпечення складають консалтингову команду.

“Це люди, які активно навчаються та проводять власні дослідження, і вони працюють з різними викладачами та відділами по всьому кампусу як у власній роботі, так і через ці консультаційні сесії”, – сказав Фріман. “Люди, які користуються нашими консалтинговими сесіями, отримують користь від досвіду цих дійсно мотивованих студентів, які також є надзвичайно крутими та приємними”.

Річчі також тісно співпрацює зі студентами та здійснює нагляд за щоденними операціями програми. Крім того, вона викладає курси найкращої практики візуалізації для науково -дослідних робіт або плакатів за запитом, а також класів кодування таких програм, як Python.

“Це чудова можливість для студентів, які шукають вклад чи іншу перспективу зі своїх однолітків щодо своїх досліджень, або для тих, хто хоче дізнатися про нові передові технології, яка може допомогти їм продемонструвати свою роботу”,-додав Річчі.

Консультанти-це тісна група, яка любить вчитися. У той час як більшість їхніх сесій проводяться на одному зі студентами чи персоналом, які працюють над роботою на рівні аспірантури, невеликі групи консультантів об'єдналися з викладачами, щоб допомогти в дослідницьких проектах більш масштабних.

“Я думаю, що одна з найкрутіших речей щодо цієї програми – це те, що робота, яку ми проводимо, проводить дисципліни”, – сказав консультант Сідней Ерл. “Одного разу ми могли б співпрацювати з тим, хто вивчає хімію та допомагає їм описати дані про хімічні реакції, а наступне ми могли б допомогти комусь вивчити освіту, щоб переглянути дані про те, наскільки ефективною була певна програма в школах по всій Північній Кароліні”.

Як і люди, яких вона допомагає, граф проводить важливі власні дослідження. Як доктор наук. Студент програми прикладної психології, її робота зосереджена на тому, як переконання та ставлення людей впливають на їх поведінку. Вона також аналізує дані про самотність та її вплив на молодих людей.

“Я люблю бути консультантом, тому що я завжди вчусь чогось нового, і це насправді підштовхує мене до думки поза коробкою”, – сказав Ерл.

Я хочу, щоб люди відчували себе так, як вони можуть зайти, і не соромитися, де знаходиться їх розрив у знаннях.

Ще один консультант, Франциска Бікель, – доктор наук. Студент коледжу освіти, а її дослідження передбачають викладання старшокласників, як вони можуть використовувати машинне навчання більш відповідально. Вона також розглядає їх мотивацію щодо того, щоб дізнатися про те, як розробляються нові технології та алгоритми. Випадково мотивуючи людей до навчання – одна з цілей Бікеля і в її дослідницьких консультаціях.

“Я хочу, щоб люди відчували себе так, як вони можуть зайти, і не соромитися, де знаходиться їх розрив у знаннях”, – сказав Бікель. “Якщо вони відкриті з цього приводу, це допомагає мені зрозуміти, що їм від мене, і як я можу надати належну допомогу”.

Сінгх закінчує свої випускники з досліджень операцій з інженерії промислових систем, що спеціалізується на прикладній математиці. Його дослідження передбачає розвиток офшорних припливних турбін біля узбережжя Північної Кароліни. Складність його власної роботи, ймовірно, чому йому подобається допомагати іншим аспірантам вирішити проблеми.

“Я думаю, що студентам доктора наук особливо часто боїться просити допомоги, оскільки вони так довго були на вершині своїх занять, тому коли вони не знають речей, які бояться просити”, – сказав Сінгх. “Моя порада – бути досить сміливим, щоб запитати”.

AI, великі дані та розвідки розвідки про місцезнаходження сприяють революції в комерційній нерухомості. Ці технології дають брокерам, орендарям та інвесторам, орієнтованими на дані, що покращують прийняття рішень та зниження ризиків. У міру того, як галузь стає все більш складною, такі платформи, як Реалізація Використовуйте ці досягнення. Кращі інвестиційні рішення приймаються зацікавленими сторонами в результаті.

Роль ШІ в CRE

AI в комерційній оцінці нерухомості

Що стосується оцінки, AI вже змінює те, як професіонали CRE оцінюють тенденції ринку та вартість майна. Це пояснюється тим, що інструменти прогнозування аналітики використовують історичні дані для прогнозування майбутніх результатів, що полегшує брокерам та інвесторам виявити перспективні можливості та уникнути загроз. Ці рішення також допомагають підвищити точність, що є критично важливим, де невеликі неточності можуть призвести до значних втрат.

Посилення управління ризиками за допомогою ШІ

Інша сфера, де AI покращує ландшафт CRE, – це управління ризиками. Автоматизуючи обчислення ключових фінансових показників, таких як співвідношення боргу до доходу, співвідношення позики та вартості та коефіцієнт покриття боргу, AI допомагає впорядкувати процес андеррайтингу та зменшити різні фактори ризику в інвестиційних операціях. Крім того, він може контролювати умови портфеля в режимі реального часу та попередити професіоналів CRE про будь -які зміни, щоб вони могли вжити оперативних заходів, щоб мінімізувати ризики та оптимізувати свої інвестиції.

Виклики та майбутній потенціал ШІ в CRE

Як результат, потенціал AI перетворити галузь CRE є значним. Однак повні переваги технології ще не реалізовані через кілька бар'єрів. Щоб подолати ці виклики, професіонали CRE повинні продемонструвати цінність ШІ для своїх функціональних лідерів та організаційних зацікавлених сторін. Це вимагає демонстрації того, як AI може надати нові уявлення, посилити прийняття рішень, впорядкувати збір та аналіз даних, забезпечити кращий досвід роботи на робочому місці та сприяти ефективності роботи.

Вплив великих даних на комерційну нерухомість

Аналітика великих даних та штучний інтелект працюють разом, як потужний дует, щоб сприяти інноваціям та ефективності в галузях. Перший забезпечує харчування для другого, забезпечуючи масштабні набори даних, які алгоритми навчання палива та покращують їх корисність до підприємств.

Як AI обробляє великі дані для CRE

AI дозволяє підприємствам швидко та точно обробляти великі дані, що дозволяє їм вживати активних дій. Це також допомагає їм помітити тенденції та візерунки в режимі реального часу. Приклади включають: виявлення шахрайських транзакцій у банківській справі, моніторинг життєвих сил пацієнтів у охороні здоров'я та оптимізацію продуктивності обладнання в енергетиці.

Прогнози ринку та стратегії ціноутворення, орієнтованих на AI

У роздрібній торгівлі AI дозволяє компаніям прогнозувати попит на товар, прогнозувати продаж та автоматизувати стратегії ціноутворення. Це також дозволяє роздрібним торговцям оптимізувати рівні запасів та уникати переопрацьованих або запасів. Наприклад, британський бренд моди Burberry використовує AI прогнозовану аналітику, щоб запропонувати персоналізований досвід покупок своїм клієнтам.

Використання AI для аналізу настроїв та розуміння клієнтів

ТЕХНОЛОГІЇ AI, такі як обробка природної мови та Витяг розпізнавання зображень із неструктурованих даних, що дозволяє компаніям аналізувати настрої соціальних медіа та відгуки клієнтів або вдосконалювати свої продукти за допомогою чатів та голосових помічників.

Візуалізація великих даних та прийняття рішень

Більше того, великі платформи даних з можливостями AI дозволяють користувачам легко вивчати та візуалізувати свої дані, видаляючи бар'єр між людьми та машинами. TharksPot-це рішення AI-класу, яке дає можливість користувачам розповідати потужну історію даних з автоматизованими уявленнями та візуалізаціями, де-декольте. Попросіть демонстрацію, щоб побачити, як платформа AI, що працює на AI, перетворює ваш бізнес.

Сила розвідки про місцезнаходження

Географічні дані є вирішальним надбанням для бізнес -додатків, таких як вибір сайтів, управління ланцюгами поставок та оцінка ризику. Це також потужний інструмент для оптимізації операцій, здобуття конкурентної переваги та надання персоналізованого досвіду.

Посилення розуміння клієнтів та маркетингових стратегій

LI дозволяє підприємствам розуміти моделі поведінки клієнтів, покращувати маркетингові кампанії та пропонувати цільові акції. Це призводить до підвищення продажів та покращення рентабельності інвестицій.

Оптимізація проникнення на ринок у галузі QSR

Наприклад, ресторани швидкого обслуговування (QSRS) можуть використовувати LI для виявлення тенденцій поведінки споживачів та відображення їх у своїх торгових точках для кращого проникнення на ринок та чудового досвіду клієнтів.

Впорядкування операцій у промисловому та енергетичному секторах

Li також використовується промисловими компаніями для упорядкування виробничих процесів, оптимізації операцій ланцюгів поставок та визначення нових інвестиційних можливостей. Енергетичні компанії покладаються на розвідку про місцезнаходження для оцінки екологічних ризиків, візуалізації активів та оптимізації мереж.

Зростання роздрібної торгівлі та фінансових послуг

Крім того, роздрібні бренди використовують розвідку про місцезнаходження для визначення моделей підплутування клієнтів та визначення оптимальних місць магазинів, що призводять до доходу. Аналогічно, фірми з фінансових послуг використовують розвідку про місцезнаходження для пошуку ринків з високим попитом для вступних відділень та банкоматів, а також оцінки кредитного ризику з використанням регіональних економічних тенденцій та цінностей нерухомості.

Майбутні тенденції в AI та великі дані для нерухомості

Потреба в масштабованих технологіях та безпеці даних

Великі дані та AI – це потужні інструменти для трансформації комерційної нерухомості. Разом вони дозволяють компаніям створювати розумніші стратегії, стимулювати бажані результати та отримувати конкурентну перевагу. Однак, щоб максимально використати ці технології, підприємства повинні гарантувати, що вони мають необхідну інфраструктуру. Сюди входить інвест у надійні, масштабовані технологічні платформи, які можуть обробляти масивні набори даних та складні алгоритми AI.

Застосування в реальному світі та зростання бізнесу

Крім того, підприємства повинні впроваджувати політику, яка забезпечує якість та безпеку даних. Це допоможе створити довіру з клієнтами та забезпечити дотримання правил. Крім того, підприємства повинні інвестувати в навчальні програми для найму та утримання кваліфікованих аналітиків та вчених даних. Це дозволить їм розвивати та підтримувати надійні, передові моделі AI та алгоритми.

На закінчення

Прийняття рішень на основі даних стає все більш важливим, оскільки штучний інтелект, великі дані та інтелект локації продовжують перетворювати індустрію комерційної нерухомості. Надаючи інвесторам діючі дані, платформи, такі як Realmo, допомагають їм залишатися випереджаючи криву в секторі, який стає все більш динамічним. Професіонали CRE можуть приймати швидше, більш обізнані та більш прибуткові рішення, використовуючи ці інструменти.

Блог, отриманий на електронному листі

1 квітня 2025 року1 квітня 2025 року

Ліор Реннерт, асоційований декан з питань охорони здоров'я та директор Університетського центру Клемсона з питань моделювання та реагування на охорону здоров'я (CPHMR), був нещодавним гостем про Talk ID, подкаст з Товариства інфекційних захворювань Америки (IDSA).

Під час сегмента, використовуючи аналітику та прогнозування захворювань на охорону здоров'я, Реннерт приєднався до Ділана Джорджа, директора Центру контролю та профілактики захворювань (CDC) для прогнозування та аналітики спалахів (CFA) та ведучого подкасту Mati Hlatshwayo Davis, доктора медичних наук, для успішного обговорення даних про дію, що займаються успішними ділянками, довіри до успіху в успіхах. місцеві громади.

Реннерт поділився тим, як CPHMR та CFA використовують унікальні аналітичні рамки даних, нові технології, такі як штучний інтелект (AI) та нетрадиційні джерела даних, включаючи соціальні медіа, для прогнозування спалахів та виділення основних ресурсів для громад з високим ризиком.

Крім того, Реннерт поділився, наскільки сильні партнерські стосунки між системами охорони здоров'я Південної Кароліни, академічними установами та медичними агенціями посилили можливості обміну інформацією та колективні результати здоров'я. Завдяки стратегічному збору та інтеграції даних, інноваційному моделюванні та співпраці в розробці програмного забезпечення, дослідники створили об'єднані рамки прогнозування та реагування на надзвичайні ситуації для обслуговування потреб партнерів у цілому.

Реннерт заявив, що співпраця та залучення громад були невід'ємними у створенні взаємної довіри та забезпеченні інструментів, рамок та програмного забезпечення задоволення потреб людей та громад у країні та поза – покращення результатів здоров'я сьогодні та в майбутньому.

“Це було привілеєм приєднатися до доктора. Джордж та Девіс про розмову ID, щоб поділитися більше про нашу роботу над покращенням поточних та майбутніх результатів здоров'я для громад Південної Кароліни за допомогою аналітики даних та прогнозування інфекційних захворювань”, – сказав Реннерт. “Підкаст-це чудовий форум для обговорення новаторських дослідницьких ініціатив для покращення зусиль з реагування на спалах та мінімізації економічних зривів у Південній Кароліні та нації”.

Центр моделювання та реагування на охорону здоров'я призводить до моделювання та аналітики хвороби для інформування про готовність до спалаху, реагування, втручання, пом'якшення та усунення в ініціативі Південної Кароліни (DMA-Prime), що фінансується за допомогою гранту в розмірі 17,5 мільйонів доларів від CDC.

Наразі сучасне програмне забезпечення DMA-Prime в даний час використовується мобільними клініками охорони здоров’я по всій Південній Кароліні для проведення інфекційного скринінгу та лікування громади під час спалахів-поліпшення результатів здоров'я та загальних витрат на охорону здоров'я за рахунок зменшення прийому у відділення надзвичайних ситуацій.

DMA-Prime-одна з 13 ініціатив у партнерських установах, що включають Insight Net, національну мережу центрів, розроблених для інформування та покращення виявлення спалахів та реагування по всій країні. Insight Net має на меті розвивати потужність на державному та місцевому рівні, встановлюючи шляхи обміну даними, створення інфраструктури для реагування на надзвичайні ситуації та визначення ключових напрямків фокусування для інфекційного моделювання захворювань по всій країні.

Для повного подкасту відвідайте: https://bit.ly/427zqtn.

З Коледж поведінкових, соціальних та медичних наук (CBSHS) був заснований у липні 2016 року. CBSHS-це коледж з земельною ділянкою 21 століття, який поєднує роботу в дев'яти дисциплінах-спілкування; догляд; парки, відпочинок та управління туризмом; політологія; психологія; Наук про охорону здоров'я; Соціологія, антропологія та кримінальне правосуддя – для подальшої місії “побудови людей та громад” у Південній Кароліні та за її межами.

Чотири скелясті планети, значно менші, ніж Зірка Орбіта Барнарда, наступна найближча до нашої після тризіркової системи Альфа Кентавра. Барнард – найближча єдина зірка.

Зірка Барнарда, шість світлових років, є горезвісною серед астрономів за історію помилкових виявлень планет. Але за допомогою високоточних технологій останнє відкриття-сім'я з чотирьох-видається твердо підтвердженим. Крихітний розмір планет також чудовий: захоплення доказів малих світів на великій відстані-це високий порядок, навіть використовуючи найсучасніші інструменти та методи спостереження.

Спостереження за коливаннями у світлі від зірки є одним із провідних методів виявлення екзопланет – планет, що обертаються іншими зірками. Ця техніка “радіальна швидкість” відстежує тонкі зрушення в спектрі зоряного світла, спричиненого гравітацією планети, що тягне свою зірку вперед і назад як орбіти планети. Але крихітні планети ставлять головну проблему: чим менша планета, тим менша тягнення. Ці чотири знаходяться між приблизно п’ятим і третьою настільки ж масовою, як Земля. Зірки також, як відомо, тремтять і землетрус, створюючи фоновий «шум», який потенційно може затоплювати порівняно спокійні сигнали від менших, орбітальних світів.

Астрономи вимірюють зміну зоряного світла в метри в секунду; У цьому випадку радіальна швидкість сигналів від усіх чотирьох планет становить слабкі шепіт – від 0,2 до 0,5 метра в секунду (людина ходить приблизно на 1 метр в секунду). Але шум від зоряної активності майже в 10 разів більше на 2 метри в секунду.

Як відокремити сигнали планети від зоряного шуму? Астрономи виготовляли детальні математичні моделі землетрусів та тремтіння зірки Барнарда, що дозволило їм розпізнати та видаляти ці сигнали з даних, зібраних із зірки.

Новий документ, що підтверджує чотири крихітні світи-позначені B, C, D та E-покладається на дані Maroon-X, на інструменті радіальної швидкості “екстремальної точності”, прикріпленого до телескопа Близнюків на горі Маунакеа на Гаваях. Це підтверджує виявлення планети “B”, зроблене з попередніми даними Espresso, приладом радіальної швидкості, прикріпленим до дуже великого телескопа в Чилі. І нова робота розкриває три нові планети братів і сестер в одній системі.

Ці планети орбітують свою зірку з червоним двою занадто близько, щоб бути заселеними. “Рік” найближчої планети триває трохи більше двох днів; Для найдальшої планети це просто сором’язливо сім днів. Це, ймовірно, робить їх занадто гарячими, щоб підтримувати життя. І все ж їх виявлення добре підходить у пошуках життя поза землею. Вчені кажуть, що невеликі, скелясті планети, як наші, – це, мабуть, найкращі місця для пошуку доказів життя, як ми це знаємо. Але поки що їх було найскладніше виявити та охарактеризувати. Вимірювання радіальної швидкості високої тотової швидкості в поєднанні з більш чітко зосередженими методами вилучення даних можуть відкрити нові вікна в житлові, потенційно несучими світами.

Зірка Барнарда була виявлена ​​в 1916 році Едвардом Емерсоном Барнардом, піонерським астрофотографом.

Міжнародна команда вчених на чолі з Рітвіком Басантом з Чиказького університету опублікувала свою статтю про відкриття “Чотири підземні планети, що обертаються з зіркою Барнарда з Maroon-X та еспресо”, в науковому журналі “Листи Астрофізичних журналів” у березні 2025 р. Планети були введені в архів NASA Exoplanet 13 березня, 2025.

Платформа, що проводить в галузі, інтегрує вдосконалену аналітику, масштабовані робочі процеси та діючі уявлення, що надають можливість організаціям розблокувати весь потенціал своїх даних та досягти вимірюваного впливу

Нью -Йорк, 31 березня 2025 року / Prnewswire/ – Aenaсвітовий лідер у галузі реальних доказів (RWE) технології та аналітики, сьогодні оголосив про наявність його^® Платформа доказів (AEP) на ринку Amazon Web Services (AWS), цифровий каталог із тисячами списків програмного забезпечення від незалежних постачальників програмного забезпечення, які дозволяють легко знайти, перевірити, купувати та розгорнути програмне забезпечення, яке працює на AWS. Цей запуск видаляє бар'єри впровадження, спрощує закупівлі та дає можливість організаціям наук про життя, платниками та регуляторами використовувати масштабоване, хмарне генерування доказів із безпекою та надійністю AWS.

AEP дає можливість організаціям аналізувати дані в реальному світі (RWD) для генерування прозорих, відтворюваних та регуляторних доказів для прийняття рішень у розробці наркотиків, доступу до ринку, політики та ціноутворення. Використовуючи AWS Marketplace, TETION впорядковує доступ до своєї платформи та надійних, придатних рішень для призначення, пристосованих для досягнення конкретних цілей кожної організації, а також прискорення часу та забезпечення дотримання глобальних регуляторних стандартів.

Ategion покладається на AWS як на свою основну інфраструктуру, використовуючи такі послуги, як Amazon Bedrock, щоб живити його штучний інтелект та машинне навчання (AI/ML),-наявні Розблокуйте приховані уявлення про населення пацієнтів і Перекласти науковий намір до результатів. Ці технології підвищують здатність AEP обробляти складний RWD в масштабі, що дозволяє складно створити гіпотезу та автоматизацію аналізу для генерування доказів.

“Наявність AEP на ринку AWS підкреслює нашу прихильність до надання масштабованих рішень з високим впливом, які допомагають організаціям зробити для них дані в реальному світі”,-сказав Jay Podenceстарший віце -президент з комерційних партнерських відносин. “Інтегруючи з AWS, ми пропонуємо нашим новим та існуючим клієнтам безперебійний шлях до розгортання та масштабу реальних досліджень доказів з підвищеною ефективністю та безпекою. Це перший крок у нашому баченні розширити нашу співпрацю з Aws, щоб принести більшу цінність для наших клієнтів. Зрештою, наша мета полягає в тому, щоб забезпечити реальну платформу реальних доказів, що повністю інтегрується з клієнтом AWS.”

Основні переваги доступності AEP на ринку AWS:

• Безшовні закупівлі: ринок AWS спрощує договори та виставлення рахунків, що дозволяє швидше отримати доступ до AEP.
• Масштабованість та продуктивність: Вбудована на AWS, AEP використовує хмарну інфраструктуру для обробки масштабних аналізів даних у реальному світі.
• Безпека та дотримання: AEP працює в безпечному середовищі AWS, узгоджуючись з регуляторними вимогами HIPAA, GDPR та 21 CFR.
• Інтеграція з послугами AWS: AEP безперешкодно інтегрує інструменти послуг та аналітики AI/ML, вдосконалюючи дані, керовані даними.

Запуск AEP у Ашт Ринок відзначає віху в Розіграш місія, що дозволяє ввімкнути RWD Аналітика в масштабі. Організації тепер можуть купувати та розгорнути AEP безпосередньо через Ашт Marketplace, розблокуючи потужні уявлення про клінічне та комерційне прийняття рішень.

Щоб дізнатися більше про Ation на ринку AWS, відвідайте ось.

Про

Aena^® є глобальною компанією з охорони здоров’я, яка надає рішення реальних доказів (RWE) біофармію, виробникам медичних виробів, платниками та регуляторами. Штаб -квартира в Нью -ЙоркЗастосовується перевірені епідеміологічні методи, причинний висновок та структуровану аналітику для перетворення даних у реальному світі (RWD) в розуміння рівня рішень. Платформа доказів^® (AEP) підтримує прогнозну аналітику, персоналізовані стратегії лікування та масштабовані рішення для регуляторних подань, доступу до ринку та клінічного розвитку. Визнаний для наукової суворості та прозорості, AETION надає прийняті регуляторні докази щодо безпеки, ефективності та цінності медичних методів лікування, що дозволяють лідерам охорони здоров’я для формування майбутнього медицини. Дізнайтеся більше на aetion.com і слідкуйте за нами LinkedIn.

Джерело

У четвер, 27 березня, Європейське космічне агентство (ESA) надіслало свої останні повідомлення космічному кораблі Gaia. Вони сказали Gaia закрити свої системи зв'язку та центральний комп'ютер і попрощалися з цим дивовижним космічним телескопом.

Гая була найуспішнішою космічною місією ESA коли -небудь, то чому вони вимкнули Гаю? Що досягла Гея? І, мабуть, найголовніше, чому це був мій улюблений космічний телескоп?

Біг на порожньому

Гая вийшла на пенсію з простої причини: після більш ніж 11 років у космосі вона закінчилася з холодного газового палива, необхідна для того, щоб сканувати небо.

Телескоп зробив останнє спостереження 15 січня 2025 року. Потім команда ESA проводила тестування протягом декількох тижнів, перш ніж повідомила Гаї залишити свій будинок у просторі в космосі, який називається L2, і почати орбіти сонця далеко від Землі.

L2 – одна з п’яти «лагрангійських точок» навколо Землі та Сонця, де гравітаційні умови створюють приємну, стабільну орбіту. L2 розташований за 1,5 мільйона кілометрів від Землі на «Темній стороні», навпроти сонця.

L2 – це високоцінне місце, оскільки це стабільне місце на орбіті, воно досить близьке до Землі для легкого спілкування, і космічний корабель може використовувати сонце за ними для сонячної енергії, дивлячись на сонце у космос.

Це також занадто далеко від Землі, щоб відправити когось на ремонтну місію, тому, як тільки ваш космічний корабель потрапить туди, він самостійно.

Зберігання L2

В даний час L2 розміщується космічний телескоп Джеймса Вебба (керується США, Європою та Канадою), Європейською місією Евкліда, Китайською орбітою Чанг'е 6 та спільною російсько-німецькою обсерваторією Spektr-RG. Оскільки L2 є таким ключовим місцем для космічних місій, важливо не відставати від сміття та у відставці космічного корабля.

Гая в останній раз використовував свої тремтіння, щоб відштовхуватися від L2, і тепер дрейфує по сонці на «пенсійній орбіті», де вона не потрапить нічим шляхом.

У рамках пенсійного процесу команда Gaia написала прощальні повідомлення в програмному забезпеченні ремесла та надіслала йому імена близько 1500 людей, які працювали над Гаї протягом багатьох років.

Що таке Гая?

Гая трохи схожий на спінінг -верхній капелюх у просторі. Основна його місія полягала в тому, щоб створити детальну тривимірну карту нашої галактики, Чумацький Шлях.

Для цього він вимірював точні позиції та рухи 1,46 мільярда об'єктів у просторі. Гая також вимірювала яскравість та мінливість, і ці дані використовувались для забезпечення температури, гравітаційних параметрів, зоряних типів та іншого для мільйонів зірок. Однією з ключових відомостей, які надав Гая, була відстань до мільйонів зірок.

Космічна вимірювальна стрічка

Я радіо -астроном, а це означає, що я використовую радіотелескопи тут, на Землі, для вивчення Всесвіту. Радіо світло – це найдовша довжина хвилі світла, невидима для людських очей, і я використовую його для дослідження магнітних зірок.

Але хоча я радіо -астроном і Гая був оптичним телескопом, дивлячись на однакові довжини хвилі світла, які можуть бачити наші очі, я використовую дані Gaia майже кожен день.

Я використовував його сьогодні, щоб дізнатися, наскільки далеко, наскільки яскраво і наскільки швидко була зірка. До Геї я, мабуть, ніколи не знав би, наскільки далеко була ця зірка.

Це важливо для з'ясування того, наскільки яскравими зірками я вивчаю насправді, що допомагає мені зрозуміти фізику того, що відбувається в них і навколо них.

Величезний успіх

Gaia сприяла тисячам статей у журналах астрономії. Документи, опубліковані співпрацею Gaia, були цитовані в цілому понад 20 000 разів.

Gaia створила занадто багато результатів науки, щоб поділитися тут. Взяти лише один приклад, Гая покращила наше розуміння структури нашої власної галактики, показавши, що вона має кілька спіральних озброєнь, які менш різко визначені, ніж ми думали раніше.

Насправді не кінець для Гаї

Важко висловити, наскільки революційна Гея була для астрономії, але ми можемо дозволити чисел говорити самі за себе. Близько п'яти статей журналу астрономії публікуються щодня, які використовують дані Gaia, що робить Gaia найуспішнішою місією ESA коли -небудь. І це не закінчиться повною зупинкою, коли Гея вийде на пенсію.

Співпраця Gaia досі опублікувала три випуски даних. Тут співпраця виконує обробку та перевіряє дані, додає деякий важливий аналіз і випускає все це в одному великому хіті.

І, на щастя, є ще два випуски великих даних з ще більшою інформацією. Четвертий випуск даних очікується в середині до кінця 2026 року. П'ятий та остаточний випуск даних, що містить усі дані Gaia з усієї місії, вийде десь у 2030 -х роках.

Ця стаття – це моя власна маленька данина телескопі, який змінив астрономію, як ми це знаємо. Тож я закінчу, сказавши величезну подяку всім, хто коли -небудь працював над цією дивовижною космічною місією, будь то інженерія та операції, перетворюючи дані на дивовижний ресурс, який він є, чи будь -яка з інших багатьох робочих місць, які роблять місію успішною. І дякую тим, хто продовжує працювати над даними, коли ми говоримо.

Нарешті, дякую моєму улюбленому космічному телескопі. До побачення, Гая, я буду сумувати за тобою.

Позиція-це всеосяжний набір інструментів SEO, розроблений для того, щоб допомогти бізнесом впорядкувати свої вхідні маркетингові стратегії. Платформа інтегрує дослідження ключових слів, оптимізацію контенту та аналітику, що дозволяє користувачам керувати своїм робочим процесом SEO в одному місці.

На відміну від традиційних інструментів SEO, орієнтованих на метрики на поверхневому рівні, позиція підкреслює діючі відомості, які дають реальні результати. Аналізуючи тенденції пошуку, продуктивність вмісту та наміри користувача, це дозволяє бізнесу вдосконалити свої стратегії та покращити видимість пошуку. Інструмент також допомагає маркетологам оптимізувати вміст для залучення та відкриття, відстежуючи продуктивність з часом. За допомогою підходу, орієнтованого на дані, позиційне прагне видалити здогадки від SEO та надати користувачам чіткий шлях до зростання. Будь то для стартапів чи встановлених брендів, він підтримує масштабовані вхідні маркетингові стратегії, які надають пріоритетність ефективності та впливу.

Кредит на зображення: “Позиція”

По мірі продовження весняного цвітіння та святкового сезону “манія культурної спадщини” все ще зростає в Китаї.

Згідно з даними, опублікованими Національною адміністрацією культурної спадщини (NCHA), музеї в Китаї отримали приблизно 72,65 мільйонів відвідувань з 29 січня по 4 лютого цього року, перші сім днів весняних фестивальних свят, щоденна відвідуваність збільшується на 12,84 відсотка порівняно з попереднім роком.

Крім того, 55 національних археологічних парків країни зафіксували майже 5,17 мільйонів відвідувань за той же період.

За даними NCHA, у 2024 році музеї в Китаї, як очікується, вітають понад 1,4 мільярда відвідувачів, встановивши новий рекорд.

До кінця серпня 2024 року в Китаї було офіційно зареєстровано 6 833 музеїв, висвітлюючи історію, мистецтво, науку, археологію тощо, повідомляє інформаційне агентство Сіньхуа.

Музеї служать життєво важливими просторами для вивчення історії та іскрового натхнення з культури. Зокрема, молодші покоління поступово стають домінуючими відвідувачами зміною, керованою постійним прийняттям музеїв інноваційних технологій.

В останні роки просування великих даних, хмарних обчислень та штучного інтелекту надали нові можливості для розвитку музею. Для залучення сучасної аудиторії великі музеї активно досліджують нові форми для задоволення потреб нового покоління аудиторії. Порівняно з традиційними виставками, молодші відвідувачі віддають перевагу інтерактивним, візуально вражаючим технологічним методам.

Сьогодні цифрові технології, такі як онлайн -цифрові виставки, віртуальна реальність (VR), розширена реальність (AR), взаємодія сенсорного екрана, потокові засоби масової інформації та живі інтернет -трансляції стали невід'ємною частиною музейних експонатів, перетворюючи спосіб переживання історії та культури.

Наприклад, Музей Палацу – це модель демонстрації культурних реліквій за допомогою технологій. Китайський художник Гу Гончжун під час п'яти династій (907-960) у мобільний додаток перетворило картину “Нічні журеї Хана Сізая”.

Художній твір був сканований у надвисокому визначенні, що дозволяє збільшити його до 40 разів більше розміру оригіналу. Відвідувачі можуть зануритися в картину, переглядаючи її в роздільній здатності понад 4K, не пропускаючи жодної деталі.

Цей супер деталізований досвід перегляду важко досягти на регулярних виставках. Уявіть, як молоді люди тримають свої телефони та використовують додаток для поїздки до п'яти династій та свідків жвавої сцени нічного банкетів Хана Сізая – як такий новий досвід не міг їх не зачарувати?

Окрім Музею палацу, інші музеї також розблокують нові технологічні враження.

Відвідувачі цифрового занурювального залу Данхуанг у печерах Могао на північно -західному Китайському провінції Гансу можуть носити окуляри VR, щоб «ввійти» на печери, і «подорожувати» протягом 1400 років, щоб випробувати вишуканий світ фресок.

Китайський керамічний музей Джингдезань у провінції Цзянсі в Східному Китаї поєднує в собі AR, AI та інші передові технології у своїй виставці цифрового світла та тіні, що дозволяє відвідувачам зануритися у фантастичний світ кераміки, переживаючи унікальну чарівність керамічної культури.

У нещодавно відкритому виставковому залі в Руїнах Інь в Айнангу, провінції Генань Центральної Китаю, який був відкритий для публіки в лютому 2024 року, 3D-технологія неозброєних очей об'єднує багато дорогоцінних культурних реліквій у одному просторі. Цей інноваційний дисплей змушує артефакти виглядати так, ніби вони розповідають давні історії для аудиторії.

У музеях природознавства інтерактивний досвід, орієнтований на технології, особливо захоплює дітей. Такі функції, як сенсорні екрани, віртуальні книги, голографічні проекції, фантомні зображення, кінотеатри з дуговим екраном та голографічні дисплеї відкривають двері для чудес науки, пропонуючи захоплюючий та динамічний досвід навчання.

З кінця минулого року до кінця лютого цього року Музей науки та технологій в Китаї в Пекіні розпочав занурюючу виставку, досліджуючи п'ять основних древніх цивілізаційних місць – Ліянгжжу, даосько -храму, Ерлітоу, Санксінгду та Інь -руїна – проводячи відвідувачі через питання: “Що робить цивілізацію?”

У виставковій залі репліки бірюзових артефактів у формі дракона від Erlitou дозволяють відвідувачам спостерігати за драконом тотему древніх людей поруч; Урочиста жертвна область висвітлює духовний світ стародавніх людей Шу через репліки артефактів Sanxingdui.

Відвідувачі також можуть відчути несподіване злиття різних стилів мистецтва, таких як маски Sanxingdui з синім та білим порцеляном, кіберпанком, мистецтвом Lego Pixel тощо.

Виставка також пропонує навчальну зону, спеціально розроблену для молодої аудиторії, де вони можуть відчувати археологічні розкопки в жертовних ямах Санксінгдуй, спробувати розумний живопис та дізнатись про стародавні методи виготовлення нефритів. Цей розважальний та освітній підхід дозволяє дітям здобувати знання, розважаючись, допомагаючи їм розвивати любов до історії та культури.

Цього року виставка розпочнеться загальнонаціональним турне, відповідний персонал з Китайського музею науки та технологій, повідомив Media. Це означає, що більше молодих людей матимуть можливість відчути чарівність злиття технологій та культурної історії.

Використовуючи технології, щоб втілити реліквії до життя та додати інтерактивність до історичних та культурних виставок, китайські музеї привертають привертій увагу молодих людей.

З постійним розвитком технологій очікується, що музеї введуть ще більш інноваційні заходи, що приносить більше сюрпризів для відвідувачів. Очікується, що все більше молодих людей займаються музейними турами, щоб відчути унікальний шарм старовинних цивілізацій та засвідчити, як історія та культура дихають новим життям у сучасну епоху.

Джерела: Голос акторів (VOC)

Будь ласка, відвідайте офіційний веб-сайт Voice of Cast, щоб знайти більше: https://voc-gj.cast.org.cn/

Процес статистичного аналізу

Аналіз цього дослідження показаний на додаткових малюнках1. Після збору даних ми створили моделі машинного навчання та логістичної регресії відповідно для порівняння їх продуктивності. Стратегії побудови машинного навчання та традиційних моделей логістичної регресії різні. Розглянемо питання про розмір вибірки, коли ми створили машинне навчання, ми їх згрупували у співвідношенні 8: 2.

Учасники характерні

Всього в дослідженні було включено 211 учасника. Загальний стан, фізіологічні показники, психологічний стан, поведінка та спосіб життя учасників представлені в таблиці 1. Середній вік учасників, у тому числі 92 чоловіки (43,60%) та 119 жінок (56,40%), становив 66,04 ± 8,60 років. Серед цих 91 пацієнтів з остеопорозу 120 не мали остеопорозу.

Частота CNV у групах з остеопорозом та без нього відображається в таблиці 2. Всього було виявлено 219 CNV, пов'язаних з остеопорозом; 8 з них були виявлені в попередніх дослідженнях, а 211 було виявлено в офіційних експериментах. З них 134 екземпляри NSSV659422 були дублікатами, тоді як решта 77 екземплярів (або один, або три примірники) мали варіанти кількості копій.

Вибір фактора ризику

Всі показники аналізували за допомогою однофакторної логістичної регресії та багатофакторного логістичного аналізу, як показано в таблиці 3. Оскільки однофакторний аналіз у цьому дослідженні показав, що було менше факторів ризику, якщо лише статистично значущі фактори в однофакторному аналізі були включені як незалежні змінні в багатофакторному логістичному регресійному аналізі, важливі фактори ризику, ймовірно, будуть пропущені. Тому це дослідження має включити всі змінні для аналізу та значущих змінних на екрані. Були статистично значущі відмінності у віці, статі, ІМТ, частоті серцевих скорочень та споживання алкоголю згідно з однофакторним аналізом. Багатоваріантний аналіз показав, що секс, сіль з низьким вмістом дію, TG, історія інсульту та CNV NSSV659422 були суттєво різними (С

Розробка та перевірка номограми з моделлю логістичної регресії

Для вибору змінних, які врешті -решт були включені в модель, використовувались вперед і назад поетапні методи з мінімізацією AIC. У таблиці 4 відображаються результати багатоваріантного логістичного регресійного аналізу. Модель прогнозування включала вік, стать, глюкозу, статус гіперглікемії, холестральний, серцевий ритм, історію перелому, історію інсульту, CNV NSSV659422, сіль з низьким вмістом. Серед них модель прогнозування остеопорозу мала незалежні фактори ризику для старіння, статі, холестральної та низької солі. (С

Рівняння логістичної моделі:

Logit (p) =-5,819+0,048AGE+1,328 СЕКС+0,072GLUCOSE-0,173CHOLESTRAL+0,025 Серце-0,614CNV NSSV659422+0,767 ІСТОРІЯ 0,843 ІСТОРІА

Для клінічного використання ми розробили модель номограми для прогнозування остеопорозу, як показано на рис. 1. Точки для ризику остеопорозу, глюкози, історії руйнування, CNV NSSV659422, частоти серцевих скорочень, історії інсульту, холестрального віку (років), сіллю з низьким вмістом спідня, статі та тотальними пунктами були організовані з-під протоку. У той же час ситуація першого об'єкта спостереження в наборі даних відображається на графіку та позначена червоними крапками, а його відповідні точки також позначені червоними крапками. Змінні глюкоза = 7,4, історія руйнування = ні, CNV NSSV659422 = Ні, частота серцевих скорочень = 62, історія інсульту = так, холестро = 0,89, вік = 69, низька сіль натрію = так, секс = чоловік. Після додавання відповідних точок загальні точки = 509, відповідна ймовірність становить 0,311.

Як показано на рис. 2, площа під AUC становить 0,751 (0,6859–0,8166.) Індекс Юдена становив 1,399, чутливість – 0,82, специфічність – 0,58, а значення обрізання кривої ROC – 0,363.

Відповідна калібрування моделі була показана графіком калібрування, яка показала, що очікувана ймовірність та фактична ймовірність були однаковими (рис. 3). Оцінка Brier моделі становила 0,199, що менше 0,25. Результати показали, що модель мала хорошу ступінь калібрування та послідовність прогнозування.

Старі дорослі можуть отримати хорошу чисту користь від моделі прогнозування, згідно з аналізом кривої рішення (DCA) [29]. Наприклад, слід зазначити, що логістична регресійна модель показує клінічну корисність у цілому діапазоні порогів ризику, коли поріг ймовірності прогнозування моделі номограми становить 0–0,75, особливо між 0,05 та 0,60, оскільки вона забезпечує більшу чисту користь порівняно з лікуванням усіх або ніхто з пацієнтів, що дозволяє припустити, що модель номограми має корисну клінічну застосовність (рис. 4).

Аналіз кривої клінічного впливу (CIC) проводили, як показано на рис. 5, щоб оцінити клінічну застосовність номограми прогнозування ризику. Наприклад, при порізі ризику в осі X 0,4 кількість людей, що ризикують за допомогою моделі клінічного прогнозування, яку ми побудували, становить близько 520, а фактична кількість людей, що перебувають у ризику, становить близько 300, із співвідношенням втрат-вигоди 75%. Коли ймовірність порогу перевищує 65% від ймовірності оцінки прогнозування, модель прогнозування визначає, що група остеопорозу високого ризику сильно відповідає фактичній групі остеопорозу, яка підтверджує високу клінічну корисність моделі прогнозування. Комбінд DCA та CIC, коли поріг становить від 0,65–0,75, модель прогнозування не тільки має хороший Benifit, але й має ефективність.

Для підтвердження моделі внутрішньо використовували переробку завантажувальної програми з AUC 0,75 (середнє значення 1000 зразків завантажувальної програми). Внутрішні результати перевірки показують, що модель прогнозування, застосована в цьому дослідженні, має хорошу надійність та послідовність. Результати переробки завантажувальної програми відображаються на рис. 6 та таблиці 5. Використовуючи 500 зразків завантажувальної програми протягом повного набору даних, очікуваний оптимізм моделі становив 0,014 для С-статистичного та 0,185 для нахилу калібрування. Очевидний С-статистичний для остеопорозу становив 0,751. С-статистичний, коригуючий оптимізм, становив 0,737, калібрувальний нахил-0,815, а калібрування в великій для всіх заходів продуктивності-

Виступи різних моделей

Таблиці 6 та 7, які представляють підсумок даних, що деталізують моделі, які використовуються для прогнозування остеопорозу, відображає конкретні результати різних моделей. Серед них модель SVM, виконана з найвищою точністю (0,754), а потім XGBoost (0,721), DT посіла найнижчу (0,651). Моделі логістичної регресії (LR) виявили найбільшу чутливість із значенням 0,751, а модель XGBoost показала найнижчу чутливість (0,588). Враховуючи, що точність та чутливість часто суперечать, ми обчислили показник F, показник оцінки, який зважив точність та чутливість. Топ -3 F бали моделі були DT (0,73), LR (0,69) та RF (0,63).

Серед цих статистичних даних є область під кривою (AUC), яка є загальною метрикою, яка використовується для оцінки ефективності діагностичної моделі. Він вимірює здатність моделі розрізняти особи з станом і без нього. AUC можна інтерпретувати як ймовірність того, що випадково вибраний позитивний випадок матиме більш високий прогнозований показник ймовірності, ніж випадково вибраний негативний випадок. AUC проілюстрував, що логістична регресія мала найкращі прогнозні показники, із значеннями AUC 0,751. Деталі наведені в таблиці 6. Загалом, найкраща модель була логістичною регресією, за якою слідують SVM та RF. AUC різних моделей машинного навчання були показані на додаткових малюнках3.

Додаткова фігура S2 показує графіки форми для чотирьох моделей машинного навчання. Хоча дев'ять найважливіших змінних з чотирьох моделей не зовсім однакові, деякі подібності можна знайти за допомогою логістичних регресійних моделей, статі, віку, глюкози, частоти серцевих скорочень та історії руйнування є важливими прогнозами. У моделі XGBoost є змінні ІМТ та DBP; У моделі RF є BMI, DBP, WHR, Питання змінних. У моделі підтримки Vector Machine є SBP, захворювання серця, змінні гіпертонічних захворювань. У моделі DT є змінні BMI, HDL-C, LDL-C, SBP. Ці важливі прогнози відрізняються від логістичних регресійних моделей. Більше того, у моделях векторних машин підтримки CNV NSSV659422 та низької солі натрію є важливими прогнозами. Сюжети форми показують, що нижчий рівень цих двох прогнозів (синіх крапок) був пов'язаний з меншою ймовірністю остеопорозу (значення форми

Поєднавши AUC та чутливість Для оцінки клінічної корисності BonePredict ми порівняли його ефективність з трьома широко використовуваними інструментами оцінки ризику остеопорозу: інструментом самооцінки остеопорозу (OSTA), інструментом оцінки ризику руйнування (FRAX) та кількісним ультразвуком (QUS). BonePredict продемонстрував чудову дискримінаційну здатність, досягнувши більш високої AUC у когорті розвитку порівняно з OSTA (AUC = 0,62), FRAX для основних остеопоротичних переломів (AUC = 0,71) та QUS (AUC = 0,68). Крім того, BonePredict демонстрував поліпшену калібрування та значно краще покращення чистої рекласифікації (NRI) та інтегроване поліпшення дискримінації (IDI) порівняно з цими існуючими інструментами.