PurposeBy incorporating major developments in genetics, ophthalmology, dermatology, and neuroimaging, to revise the diagnostic criteria for neurofibromatosis type 1 (NF1) and to establish diagnostic criteria for Legius syndrome (LGSS).MethodsWe used a multistep process, beginning with a Delphi method involving global experts and subsequently involving non-NF experts, patients, and foundations/patient advocacy groups.ResultsWe reached consensus on the minimal clinical and genetic criteria for diagnosing and differentiating NF1 and LGSS, which have phenotypic overlap in young patients with pigmentary findings. Criteria for the mosaic forms of these conditions are also recommended.ConclusionThe revised criteria for NF1 incorporate new clinical features and genetic testing, whereas the criteria for LGSS were created to differentiate the two conditions. It is likely that continued refinement of these new criteria will be necessary as investigators (1) study the diagnostic properties of the revised criteria, (2) reconsider criteria not included in this process, and (3) identify new clinical and other features of these conditions. For this reason, we propose an initiative to update periodically the diagnostic criteria for NF1 and LGSS.Graphical AbstractView Large Image Figure ViewerDownload Hi-res image Download (PPT)

In a world driven by data, cities are increasingly interested in deploying networks of smart city devices for urban and environmental monitoring. To be successful, these networks must be reliable, low-cost, and easy to install and maintain—criteria that are all significantly affected by the design choices around power and can seemingly be satisfied with the use of solar energy. However, solar power is not ubiquitous throughout cities, making it difficult to know where to place nodes to avoid charging issues and thus potentially increasing maintenance costs. This abstract describes the development of a machine learning model that predicts whether any arbitrary location in a city will have solar charging issues. Using data from a large-scale real-world solar-powered sensor deployment in Chicago, Illinois and open data about building location and height, the binary classification model outputs the probability of adequate solar charging at a node location with 77% accuracy on the held-out test set. This work lays the foundation for those deploying future solar-powered urban sensor networks to have more confidence in the reliability of their chosen node locations.