Στην βιολογία, το περιβάλλον μπορεί να καθοριστεί σαν ενα σύνολο κλιματικών, βιοτικών, κοινωνικών και εδαφικών παραγόντων που δρουν σε έναν οργανισμό και καθορίζουν την ανάπτυξη και την επιβίωση του. Έτσι, περιλαμβάνει οτιδήποτε μπορεί να επηρεάσει άμεσα τον μεταβολισμό ή τη συμπεριφορά των ζωντανών οργανισμών ή ειδών, όπως το φως, ο αέρας, το νερό, το έδαφος και άλλοι παράγοντες. Δείτε επίσης το άρθρο για το φυσικό περιβάλλον και τη φυσική επιλογή.
Στην αρχιτεκτονική, την εργονομία και την ασφάλεια στην εργασία, περιβάλλον είναι το σύνολο των χαρακτηριστικών ενός δωματίου ή κτιρίου που επηρεάζουν την ποιότητα ζωής και την αποδοτικότητα, περιλαμβανομένων των διαστάσεων και της διαρρύθμισης των χώρων διαβίωσης και της επίπλωσης, του φωτισμού, του αερισμού, της θερμοκρασίας, του θορύβου κλπ. Επίσης μπορεί να αναφέρεται στο σύνολο των δομικών κατασκευών. Δείτε επίσης το άρθρο για το δομημένο περιβάλλον.
Στην ψυχολογία, περιβαλλοντισμός είναι η θεωρία ότι το περιβάλλον (με τη γενική και κοινωνική έννοια) παίζει μεγαλύτερο ρόλο από την κληρονομικότητα καθορίζοντας την ανάπτυξη ενός ατόμου. Συγκεκριμένα, το περιβάλλον είναι ένας σημαντικός παράγοντας πολλών ψυχολογικών θεωριών.
Στην τέχνη, το περιβάλλον αποτελεί κινητήριο μοχλό και μούσα εμπνέοντας τους ζωγράφους ή τους ποιητές. Σε όλες τις μορφές της Τέχνης αποτελεί έμπνευση και οι Καλές Τέχνες φανερώνουν την επιρροή οπού άσκησε σε όλους τους καλλιτέχνες με όποιο είδος Τέχνης κι αν ασχολούνται. Ο άνθρωπος μέσα στο περιβάλλον δημιουργεί Μουσική, Ζωγραφική, Ποίηση, Γλυπτική, χορό, τραγούδι, θέατρο, αλλά και όλες οι μορφές τέχνης έχουν άμεση έμπνευση από το περιβάλλον.

Κυριακή 6 Νοεμβρίου 2022

Improving Methods of Identifying Anaphylaxis for Medical Product Safety Surveillance Using Natural Language Processing and Machine Learning

alexandrossfakianakis shared this article with you from Inoreader
Abstract
We sought to determine whether machine learning and natural language processing (NLP) applied to electronic medical records could improve performance of automated healthcare claims-based algorithms to identify anaphylaxis events using data on 516 patients with outpatient, emergency department, or inpatient anaphylaxis diagnosis codes during 2015-2019 in two integrated healthcare institutions in the Northwest United States. We used one site's manually reviewed gold standard outcomes data for model development and the other's for external validation based on cross-validated (cv) area under the receiver operating characteristic curve (cv AUC), positive predictive value (PPV), and sensitivity. In the development site 154 (64%) of 239 potential events met adjudication criteria for anaphylaxis compared to 180 (65%) of 277 in the validation site. Logistic regression models using only structured claims data achieved a cv-AUC of 0.58 (95% CI: 0.54, 0. 63). Machine learning improved cv-AUC to 0.62 (0.58, 0.66); incorporating NLP-derived covariates further increased cv AUCs to 0.70 (0.66, 0.75) in development and 0.67 (0.63, 0.71) in external validation data. A classification threshold with cv-PPV of 79% and cv-sensitivity of 66% in development data had cv-PPV of 78% and cv-sensitivity of 56% in external data. Machine learning and NLP-derived data improved identification of validated anaphylaxis events.
View on Web
Αναρτήθηκε από στις

Δεν υπάρχουν σχόλια:

Δημοσίευση σχολίου

Εγγραφή σε: Σχόλια ανάρτησης (Atom)