BACKGROUND: Intensive care unit (ICU)-acquired weakness (ICUAW) is a prevalent complication in critically ill patients, marked by symmetrical respiratory and limb muscle weakness, which adversely affects long-term outcomes. Early identification of high-risk patients and prevention are essential to mitigate its impact. Traditional risk prediction models, based on cohort data, have limitations in addressing the complex, non-linear relationships among diverse risk factors due to patient heterogeneity and the dynamic nature of critical illness. Machine learning offers a promising alternative by in
СтатьяВалидационное исследованиеПоиск полного текста в очередиПеревод пока не подготовлен
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
PURPOSE: The number of elderly patients with trauma is increasing; therefore, precise models are necessary to estimate the mortality risk of elderly patients with trauma for informed clinical decision-making. This study aimed to develop machine learning based predictive models that predict 30-day mortality in severely injured elderly patients with trauma and to compare the predictive performance of various machine learning models.
METHODS: This study targeted patients aged ≥65 years with an Injury Severity Score of ≥15 who visited the regional trauma center at Chungbuk National University Hos
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
OBJECTIVE: This systematic review analyzed machine learning (ML) techniques for predicting and classifying mortality in traumatic brain injury (TBI) victims.
METHODS: The PICOS (People, Intervention, Comparison, Outcome, Study) strategy was used for the research question. The included studies were indexed in the Virtual Health Library and the National Library of Medicine, written in English, Portuguese, or Spanish, and focused on TBI-related mortality. Exclusions comprised animal studies, molecular research, reviews, and unavailable full texts.
RESULTS: Of 1,752 screened studies, 36 met incl
СтатьяСистематический обзорПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
OBJECTIVES: To extract structured injury features of knee trauma from forensic case files, and to assess knee functional impairment using a machine learning model combined with the voting method.
METHODS: A total of 490 forensic cases involving knee trauma were retrospectively collected and randomly divided into training and testing sets at an 8:2 ratio. Structured injury features were extracted and systematically organized and stored using a MySQL database. Six machine learning models, including support vector classification, random forest, logistic regression, gradient boosting, k-nearest n
Аннотация на английскомСтатьяПоиск полного текста в очередиПеревод пока не подготовлен
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Bio-inspired musculoskeletal robots offer inherent advantages in flexibility, robustness, and compliance. However, achieving efficient and generalizable motion learning while producing natural, human-like movements remains challenging. Neuromechanical mechanisms provide a promising framework to emulate biological motor control and skill acquisition. In this study, we present a biomimetic hierarchical neuromechanical control model (HNCM) that integrates deep reinforcement learning with two distinct lower-level controllers. The model is designed to manage high-dimensional muscle control, enhance
СтатьяПоиск полного текста в очередиПеревод пока не подготовлен
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
BACKGROUND: The accuracy of decoding fine motor imagery (MI) tasks remains relatively low due to the dense distribution of active areas in the cerebral cortex.
METHODS: To enhance the decoding of unilateral fine MI activity in the brain, a weight-optimized EEGNet model is introduced that recognizes six types of MI for the right upper limb, namely elbow flexion/extension, wrist pronation/supination and hand opening/grasping. The model is trained with augmented electroencephalography (EEG) data to learn deep features for MI classification. To address the sensitivity issue of the initial model w
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Operational instability in biological wastewater treatment systems can lead to inefficient aeration and elevated energy consumption. Accurate prediction of key process variables, including ammonia nitrogen, dissolved oxygen (DO), and mixed liquor suspended solids (MLSS), is essential for maintaining stable nitrification and energy-efficient aeration control. However, imbalanced data distributions and rare abnormal events often reduce model robustness. To address this challenge, this study develops an integrated predictive and risk assessment framework that incorporates feature distribution smo
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
BACKGROUND: Machine learning offers new solutions for predicting life-threatening, unpredictable amiodarone-induced thyroid dysfunction. Traditional regression approaches for adverse-effect prediction without time-series consideration of features have yielded suboptimal predictions. Machine learning algorithms with multiple data sets at different time points may generate better performance in predicting adverse effects.
OBJECTIVE: We aimed to develop and validate machine learning models for forecasting individualized amiodarone-induced thyroid dysfunction risk and to optimize a machine learni
Многоцентровое исследованиеСтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Physics-informed neural networks (PINNs) have emerged as mesh-free approaches for solving partial differential equations, but their learned representations are often difficult to interpret. RBF-kernel-based formulations such as sparse, physics-based, and interpretable neural networks (SPINNs) make the geometry of the physical kernels explicit and show that kernels adapt coherently around dominant solution features, motivating the question of whether all kernel geometries need to remain independent. To investigate this question, we introduce kernel-adaptive physics-informed learning machines (K
СтатьяПоиск полного текста в очередиПеревод пока не подготовлен
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
BACKGROUND: Stillbirth remains a major public health concern, particularly in low-income and middle-income countries. Identifying maternal and obstetric determinants is essential for prevention and targeted interventions. Logistic regression offers a baseline predictive model, while machine learning (ML) methods, such as Random Forest (RF) and Extreme Gradient Boosting, can improve predictive accuracy and highlight key risk factors through feature importance. This study aimed to predict stillbirth and identify influential maternal and obstetric predictors among pregnant women in Ethiopia using
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
BACKGROUND: This study leverages machine learning and cytokine profiles to differentiate liver and renal function abnormalities in the aging population, aiming for advancements in early detection techniques.
METHODS: The analysis involved data from 760 participants, employing logistic regression, random forest, lasso regression, extreme gradient boosting, and support vector machines to create diagnostic models. Cytokine levels were measured via ELISA, alongside liver and renal clinical function tests. The data were randomly split 3:1 into training and hold-out validation sets; Synthetic Minor
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Time-lapse microscopy for embryos is a non-invasive technology used to characterize early embryo development. This study employs time-lapse microscopy and machine learning to elucidate changes in embryonic growth kinetics with maternal aging. We analyzed morphokinetic parameters of embryos from young and aged C57BL6/NJ mice via continuous imaging. Our findings show that aged embryos accelerated through cleavage stages (from 5-cells) to morula compared to younger counterparts, with no significant differences observed in later stages of blastulation. Unsupervised machine learning identified two
СтатьяПоддержка NIH: внешняя программаПоддержка правительства СШАПоддержка исследования: вне правительства СШАПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Accurately predicting individual antidepressant treatment response could expedite the lengthy trial-and-error process of finding an effective treatment for major depressive disorder (MDD). We tested and compared machine learning-based methods that predict individual-level pharmacotherapeutic treatment response using cortical morphometry from multisite longitudinal cohorts. We conducted an international analysis of pooled data from six sites of the ENIGMA-MDD consortium (n = 262 MDD patients; age = 36.5 ± 15.3 years; 154 (59%) female; mean response rate = 57%). Treatment response was defined as
СтатьяПоддержка исследования: вне правительства СШАПоддержка NIH: внешняя программаПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
BACKGROUND AND OBJECTIVE: To develop a machine learning model to predict urine output (UO) in sepsis patients after fluid resuscitation.
METHODS: We identified sepsis patients in the Multiparameter Intelligent Monitoring in Intensive Care-III v1.4 database according to the Sepsis-3 criteria. We focused on two outcomes: whether the UO decreased after fluid administration and whether oliguria (defined as UO less than the threshold of 0.5 mL/kg/h) developed. A gradient tree-based machine learning model implemented with an eXtreme Gradient Boosting algorithm was used to integrate relevant physiol
СтатьяПоиск полного текста в очередиПеревод пока не подготовлен
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
BACKGROUND: Although recreational drug use is a strong risk factor for acute cardiovascular events, systematic testing is currently not performed in patients admitted to intensive cardiac care units, with a risk of underdetection. To address this issue, machine learning methods could assist in the detection of recreational drug use.
AIMS: To investigate the accuracy of a machine learning model using clinical, biological and echocardiographic data for detecting recreational drug use in patients admitted to intensive cardiac care units.
METHODS: From 07 to 22 April 2021, systematic screening f
СтатьяМногоцентровое исследованиеНаблюдательное исследованиеПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Accurate and computationally efficient prediction of wave run-up is required to mitigate the impacts of inundation and erosion caused by tides, storm surges, and even tsunami waves. The conventional methods for calculating wave run-up involve physical experiments or numerical modeling. Machine learning methods have recently become a part of wave run-up model development due to their robustness in dealing with large and complex data. In this paper, an extreme gradient boosting (XGBoost)-based machine learning method is introduced for predicting wave run-up on a sloping beach. More than 400 labo
СтатьяПоиск полного текста в очередиПеревод пока не подготовлен
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
BackgroundK2EDTA contamination of serum samples is a preanalytical error that poses a risk to patient safety. Contamination is most frequently mild to moderate, which standard detection procedures often miss. We examined whether machine learning models could improve the detection of K2EDTA contamination.MethodsArtificial neural network, decision tree (both simple and complex), extreme gradient boosting, k-nearest neighbours, logistic regression, naïve Bayes, random forest, and support vector machine models were developed. Models were trained using extracted patient results for electrolytes, ur
СтатьяПоиск полного текста в очередиПеревод пока не подготовлен
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
BACKGROUND: Accurate preoperative prediction of lymph node invasion (LNI) in prostate cancer is critical for guiding lymph node dissection. Current nomograms often fail to optimall balance the risks of missing metastatic cases and unnecessary dissections. Machine-learning models can provide improved predictive performance through more flexible modeling of complex clinical data.
METHODS: The authors developed machine-learning models using clinicopathologic features to predict LNI. Due to a significant class imbalance between LNI-positive and LNI-negative cases, a synthetic minority oversamplin
СтатьяСравнительное исследованиеПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
BACKGROUND: Early childhood caries (ECC) is a major oral health problem among preschool children that can significantly influence children's quality of life. Machine learning can accurately predict the treatment outcome but its use in ECC management is limited. The aim of this study is to explore the application of machine learning in predicting the treatment outcome of ECC.
METHODS: This study was a secondary analysis of a recently published clinical trial that recruited 1,070 children aged 3- to 4-year-old with ECC. Machine learning algorithms including Naive Bayes, logistic regression, dec
СтатьяПоиск полного текста в очередиПеревод пока не подготовлен
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
BACKGROUND: This study developed an explainable machine learning model for baseline internal mammary lymph node metastasis (IMNM) in breast cancer patients.
MATERIALS AND METHODS: This study included three cohorts: a derivation cohort (n = 1997) from Peking University Cancer Hospital, a temporal testing cohort (n = 633) from the same center, and a SEER cohort (n = 51,420). Multiple machine learning strategies were conducted: Least Absolute Shrinkage and Selection Operator (LASSO), Boruta, backward stepwise regression, and best subset for feature selection, and logistic regression (LR), suppor
СтатьяВалидационное исследованиеПоиск полного текста в очередиПеревод пока не подготовлен
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
MedElevator
Войти в исследования