路透社:国际权威医学组织Cochrane证实电子烟可戒烟

10月15日,路透社报道了国际最权威的循证医学学术组织——考克兰协作组织(Cochrane Collaboration,以下简称Cochrane)发布的一则综述。综述研究表明,电子烟具有戒烟作用,且效果优于尼古丁替代疗法等手段。以下为路透社报道全文:

 

上周三(10月14日),一份新综述显示,电子烟的戒烟效果优于尼古丁贴剂和尼古丁口香糖(均为尼古丁替代疗法 译者注),且电子烟比传统香烟更安全。

本篇综述共包括来自全球的50项研究所得证据,结论显示,电子烟可使更多人戒烟。

“现有证据表明,电子烟相比其它尼古丁替代物增加了成功戒烟的机会。”此次研究综述主要作者之一、Cochrane烟草成瘾小组的专家Jamie Hartmann-Boyce说。

Cochrane是一个汇集了最佳科学研究的组织,用于帮助评估健康干预措施的相对有效性。

电子烟已有约十年历史,最近几年尤其受欢迎。与其它尼古丁替代疗法不同,电子烟是手持的,且可以产生烟雾,所以可以模仿吸烟的体验。

 

世界卫生组织表示,烟草杀死了一半的使用者,一年造成的死亡人数超过800万人。

Cochrane曾在2016年发表的综述中指出,电子烟的戒烟效果优于其它尼古丁替代疗法。

去年,美国曾发生一系列与电子烟相关的肺损伤和死亡事件,不仅使电子烟成为人们关注的焦点,还让部分电子烟产品遭到禁止。但这一事件与电子烟并无关系,随着越来越多的证据指向维生素E醋酸酯——一种用于大麻电子烟的切削剂,对电子烟的声讨已在去年年底逐渐减弱。

Cochrane表示,没有明显证据表明电子烟会给人体造成严重危害。“关于电子烟的科学共识是,电子烟虽然不是完全没有风险,但危害远不如卷烟。” Hartmann-Boyce说。

英国诺丁汉大学呼吸医学教授John Britton表示,该评论是“全面”的,且“明确证实了电子烟为吸烟者提供了有效的戒烟手段”。

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值