Hierarchical Probabilistic Neural Network Language Model.
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
According to the Center for Disease Control, there were more than 107,000 US drug overdose deaths in 2021, over 80,000 of which due to opioids. One of the more vulnerable populations is US military veterans. Nearly 250,000 military veterans suffer from substance-related disorders (SRD). For those seeking treatment, buprenorphine is prescribed to help treat opioid use disorder (OUD). Urinalysis is currently used to monitor buprenorphine adherence as well as to detect illicit drug use during treatment. Sometimes sample tampering occurs if patients seek to generate a false positive buprenorphine urine test or mask illicit drugs, both of which can compromise treatment. To address this problem, we have been developing a point-of-care (POC) analyzer that can rapidly measure both medications used for treatment and illicit drugs in patient saliva, ideally in the physi-cian's office. The two-step analyzer employs (1) supported liquid extraction (SLE) to isolate the drugs from the saliva and (2) surface-enhanced Raman spectroscopy (SERS) to detect the drugs. A prototype SLE-SERS-POC analyzer was used to quantify buprenorphine at ng/mL concentrations and identify illicit drugs in less than 1 mL of saliva collected from 20 SRD veterans in less than 20 min. It correctly detected buprenorphine in 19 of 20 samples (18 true positives, 1 true negative and 1 false negative). It also identified 10 other drugs in patient samples: acetaminophen, amphetamine, cannabidiol, cocaethylene, codeine, ibuprofen, methamphetamine, methadone, nicotine, and norbuprenorphine. The prototype analyzer shows evidence of accuracy in measuring treatment medications and relapse to drug use. Further study and development of the system is warranted.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle