医師の時間外労働規制、厚労省案に一定の評価-全自病・小熊会長
医師の時間外労働規制、厚労省案に一定の評価-全自病・小熊会長 : 厚生労働省が示した医師の時間外労働規制に関する提案について、全国自治体病院協議会の小熊豊会長は13日の定例記者会見で、「どちらかというとウエルカムだ」とし、一定の評価を示した。
投稿
システミック・レビュー＆メタアナリシス；COPD：triple therapy vs dual therapy
システミック・レビュー＆メタアナリシス；COPD：triple therapy vs dual therapy : triple therapy vs dual therapyの比較だが、必ずしも合剤ではなさそう 急性増悪trple優位で 肺炎リスクに影響は無いような報告だが・・・・？ Triple therapy versus single and dual long-acting bronchodilator therapy in COPD: a systematic review and meta-analysis Mario Cazzola, et al. European Respiratory Journal 2018 52: 1801586; DOI: 10.1183/13993003.01586-2018 COPD患者におけるICS/LABA/LAMA vs LABA/LAMA、各々の長時間作用型気管支拡張剤単独の比較 ICS/LABA/LAMA併用剤は 対 LABA/LAMA併用剤比較で 急性増悪リスク減少 (相対リスク 0.70, 95% CI 0.53–0.94) FEV1改善 (差平均 in mL +37.94, 95% CI 18.83–53.89) 3剤併用は対LABA/LAMA比較で急性増悪予防効果は、好酸球 300細胞数/μL以上で最大 (相対リスク 0.57, 95% CI 0.48–0.68) １年間急性増悪１回回避のための症例数は、 ICS/LABA/LAMAでは LABA/LAMA比較で -38 長時間作用型気管支拡張剤単独との比較では -21 ICS/LABA/LAMA併用剤 vs LABA/LAMA併用剤では、１年間あたりperson-based NNTは、好酸球数 300細胞数/μL以上患者で、それ未満の細胞数患者より有意に少ない （NNT値 8.58 vs 46.28) 肺炎リスクは、ICS/LABA/LAMA併用剤と各々の比較では差を認めず NNH(number needed to harm)としては -195 メタアナリシスにて長時間作用型気管支拡張剤単独、LABA/LAMA併用治療患者は、急性増悪既往ありと血中好酸球数 300...
JavaScriptのトランスパイルを知ろう
JavaScriptのトランスパイルを知ろう : JavaScriptのトランスパイル この記事は大学の課題のためにBabelトランスパイルに ついてまとめたのでアーカイブとして残す目的で書いています。 トランスパイルはある言語で記述されたコードを 別の言語で記述された同等なコードに変換することです。 ここでは主にJavaScript におけるトランスパイルについて説明します。 JavaScriptは主にWebブラウザエンジン上で動作することを目的とした スクリプト言語です。 JavaScriptの標準規格であるECMAScript2015(ES6)以降の 規格に対応していないWebブラウザエンジンは未だ多く、 開発者はWebブラウザのバージョンに合わせた言語仕様を考慮する 必要があります。 しかしWebブラウザのバージョンごとに言語仕様を 把握するための技術的コストは高く問題となります。 そこで問題を解決するためにJavaScriptのトランスパイルが用いられます。 トランスパイルを実行することでES6以降の規格で記述されたコードを ECMAScript5(ES5)の規格で記述されたコードに変換できます。 JavaScriptのトランスパイラについて トランスパイルツールの1つとして Babel が挙げられます。 Babel は ES6 以降の規格で 記述されたコードに対して、 字句解析, 構文解析, 構文変換などを行いES5の規格で記述された コードへのトランスパイルを行います。 しかし、Babel を用いたトランスパイルのみではブラウザのサポートに よっては対応しきれない場合がありその場合、実行時に Polyfill を適用することでブラウザへの対応を行なっています。 今回は、Babelのトランスパイルのみについて説明します。 Babelのトランスパイル Babelのトランスパイルは主にパース/変換/生成の3つのステージに分かれます。 パース パースには、2つの字句解析フェーズと構文解析フェーズがあります。 字句解析では、コードを基に生成した抽象構文木(AST)を基に 各ノードをトークンとしてフラットに並べます。 構文解析ではフラットに並べたトークン...
API Gateway + Lambda + DynamoDB
API Gateway + Lambda + DynamoDB : 利用するサービス ・DynamoDB ・IAM ・Lambda ・API Gateway 1.DynamoDB でテーブルを作成する DynamoDB を開き、「テーブル」から「テーブルの作成」をクリック。 [テーブル名]に 「demo_test」 、[プライマリキー]に「test_id」と入力し、「作成」。 「項目」から「項目の作成」をクリック。 「Append」から「String」を追加します。 「name」を追加し、以下のように入力します。 同様に以下のテーブルになるように作成してください。 2.Lambda関数を作成する 2つの権限をもつ、IAMロールを作成しておきましょう。 AWSLambdaBasicExecutionRole：ログの書き込み権限 DynamoDBAmazonDynamoDBFullAccess：DynamoDBへのアクセス権限 Lambda を開き、「関数の作成」をクリック。 「一から作成」を選択し以下のとおり入力し、「関数の作成」 ・名前：demo-lambda ・ランタイム：Python 3.6 ・ロール：既存のロール ・既存のロール：作成済みのIAMロールを選択 コードを以下のように編集する。 import boto3 dynamodb = boto3.resource('dynamodb') table = dynamodb.Table('demo_test') def get_person(id): response = table.get_item( Key={ 'test_id': id } ) return response['Item'] def lambda_handler(event, context): person = get_person('001') return person table は dy...
Azure AI – 組織による AI 導入がスピードアップ
Azure AI – 組織による AI 導入がスピードアップ : 執筆者: Eric Boyd (Corporate Vice President, Azure AI) このポストは、2018 年 12 月 4 日に投稿された Azure AI – accelerating the pace of AI adoption for organizations の翻訳です。 AI は、世界を変える大きなイノベーションの波を起こす原動力となっています。Azure AI を導入することで、組織においては簡単に次のことを実現できます。 機械学習を活用して、ビジネス プロセスを最適化する予測モデルを構築する 高度な画像認識、音声認識、言語機能を利用してアプリケーションを構築し、パーソナライズされた魅力的なエクスペリエンスを提供する ナレッジ マイニングにより、巨大なファイル リポジトリに埋もれたインサイトを掘り起こす 9 月に開催された Microsoft Ignite (英語) に続き、Microsoft Connect(); では、AI を手軽に利用してビジネスを変革させる画期的な機能の数々を発表しました。 Azure Machine Learning サービスの一般提供 本日マイクロソフトは、 Azure Machine Learning サービスの一般提供 (英語) を開始しました。これは、インテリジェント クラウドからインテリジェント エッジにいたるあらゆる場所で機械学習モデルをすばやく簡単に作成、トレーニング、展開できるサービスです。また、自動化された機械学習などの機能により、適切なアルゴリズムと機械学習のパイプラインをすばやく特定し、スピーディにモデルを開発できます。これにより、数日かかっていた開発期間が数時間に大幅に短縮されます。また、ハイパーパラメーターのチューニングにより、パラメーターを調整してモデルの精度を向上させることもできます。 モデルが完成したら、統合 (CI/CD) ツールを使用してクラウドとエッジ (IoT デバイスを含む) に簡単に展開し、管理できます。開発者は、Visual Studio Code、Visual Studio、PyCharm、Azure Databricks ノートブック、Jupyter ノートブック...
Azure Machine Learning サービスの新しい Automated Machine Learning 機能
Azure Machine Learning サービスの新しい Automated Machine Learning 機能 : 執筆者: Krishna Anumalasetty (Principal Program Manager, Azure Machine Learning) このポストは、2018 年 12 月 4 日に投稿された New automated machine learning capabilities in Azure Machine Learning service の翻訳です。 このたび、 Azure Machine Learning サービスの一般提供 (英語) に伴い、新たに Automated Machine Learning (Automated ML) 機能をリリースしました。この機能を使用すると、モデルの選択やハイパーパラメーターのチューニングを自動化できるため、これまで数週間から数か月かかっていた機械学習モデルの構築が数日程度に短縮され、ビジネス上の問題解決により多くの時間を充てられるようになります。この機能は、データ サイエンティストの生産性向上と AI の普及に関するマイクロソフトの取り組みの中で生まれたものです。機械学習プロセスを簡素化することで、社内の各分野の専門家が機械学習ソリューションをすばやく構築してデプロイできるようになります。 この記事では、以下についてお伝えします。 Azure Machine Learning サービス で提供される Automated ML の主な機能 Automated ML の開発動機、基盤テクノロジ、設計原則など 新機能 Azure Machine Learning サービスでは、2 か月前にプレビューを開始して以降、魅力的な機能を次々に追加しています。 トレーニング インフラストラクチャ 機械学習のトレーニング ジョブはコンピューティング負荷が非常に高く、所要時間がデータセットのサイズやアルゴリズムの種類に大きく左右されるため、トレーニングがボトルネックになることがよくあります。このトレーニング ジョブを短時間で終わらせられれば、データ サイエンティストの反復実行サイクルは短縮されます。Automated ML では、トレーニング ジョブを実行するためのさ...
ブラックアウトなしでも北電の財務は危険水域だ
ブラックアウトなしでも北電の財務は危険水域だ : 今年9月に発生した北海道ブラックアウト（全域停電）。電力広域的運営推進機関の検証委員会は12月12日、発生要因と再発防止策を書き込んだ最終報告書案を了承した。検証過程では、原因究明とともに、北海道電力が復旧に向け尽力していた姿も浮かび上がった。ただ、北電の財務状況は非常に厳しい状況にある。