OBJECTIVES: This prospective observational study aims to accurately classify individuals as skeletal class II/III by applying several machine-learning algorithms. Furthermore, using the k-means clustering analysis deepened our understanding of the characteristics of skeletal class II/III malocclusion (SCIIMO/SCIIIMO) patients.
MATERIALS AND METHODS: This multicenter study consisted of 379 German orthodontic patients. Following their distribution to SCIIMO (n = 208, 54.8%) or SCIIIMO (n = 171, 45.1%) by the individualized ANB of Panagiotidis and Witt. Machine-learning analysis was performed us
СтатьяМногоцентровое исследованиеНаблюдательное исследованиеПоддержка исследования: вне правительства СШАПоиск 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: To develop and validate a machine learning (ML) model to assess the risk of chronic critical illness (CCI) in intensive care unit (ICU) patients with acute pancreatitis (AP).
METHODS: We utilised two large, publicly available ICU datasets, MIMIC-IV (v3.1) and the eICU Collaborative Research Database (v2.0), as the development cohort for model construction. A single-centre dataset from China (SZICU) was used for external validation. Three feature selection methods-stepwise regression, Least Absolute Shrinkage and Selection Operator (LASSO), and the Boruta algorithm-were employed. T
СтатьяВалидационное 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.
To improve patient compliance and provide stable and prolonged delivery of drugs to the brain, transdermal drug delivery systems (TDDS) are being explored as a viable method of treatment of various brain diseases without the invasion of any organs. Optimization of TDDS remains problematic owing to the complex nonlinear interplay between formulation elements and process factors that affect drug entrapment efficiency, stability, and drug-release properties. Therefore, this study aims to develop a supervised Machine Learning (ML) framework to simultaneously predict multiple critical formulation a
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.
INTRODUCTION: To develop and validate a machine learning-based model for predicting the risk of breast cancer occurrence in BI-RADS 4 patients.
METHODS: 216 breast lesions from 212 patients were included for retrospective analysis. The training set (151 cases) and the validation set (65 cases) were randomly divided from the whole data set at a ratio of 7:3. Use logistic as well as LASSO regressions to identify independent risk factors. Subsequently, eight ML models were constructed. After a comprehensive comparison, the optimal model was selected and visualized using the SHAP algorithm.
RESU
СтатьяПолный текст не найденПеревод 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: Cognitive frailty (CF), which is characterised by the coexistence of cognitive impairment and physical frailty, is common among older patients after ischaemic stroke (IS) and is associated with adverse functional outcomes. This study aimed to develop and internally validate a machine learning (ML)-based model for predicting 3-month CF risk in older patients with IS.
METHODS: In this prospective cohort study, 402 older patients with IS were enrolled. Baseline assessments included 26 candidate variables, such as demographic characteristics, stroke severity, nutritional status, psych
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: The majority of LGA occurs in normoglycemic pregnancies, yet prediction models integrating lipid metabolism for this population are lacking. This study aimed to develop and validate machine learning models based on lipid metabolic profiles to predict LGA risk in non-diabetic pregnant women.
METHODS: We retrospectively analyzed 1,968 singleton pregnancies without diabetes. Lipid profiles were assessed at early pregnancy (11-14 weeks) and mid-pregnancy (20-24 weeks). The dataset was randomly divided into training (n = 1,574) and independent test sets (n = 394) using stratified sampli
СтатьяПолный текст не найденПеревод 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.
PURPOSE: This study aimed to use the machine-learning methods to predict bone metastasis (BM) in patients with lung cancer.
METHODS: This study included 8,612 patients with lung cancer, from whom we collected baseline characteristics and hematological data. BM was diagnosed based on imaging results. We normalized metric data using Z-scores and divided the patients into training and validation sets in a 7:3 ratio. After under-sampling of the training set to relieve the interlocking imbalance, the key variables were then selected using the LASSO method. Nine distinct machine-learning models wer
СтатьяПолный текст не найденПеревод 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: Helicobacter pylori (H. pylori) infection is widespread globally and is linked to outcomes ranging from chronic gastritis to gastric cancer. However, only a minority of infected individuals progress to malignancy, influenced by a mix of bacterial, host, and environmental factors. Current predictive approaches are limited due to relying mainly on clinical and lifestyle data. Genomic approaches have been sparsely used, and thus their incorporation into machine learning models could ensure early and personalized detection. This study aimed to evaluate the impact of integrating host me
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: Post-Stroke Dysphagia (PSD), as a common complication of cerebrovascular accidents, seriously affects patients’ quality of life and prognosis. This retrospective study aims to provide a reliable machine learning model for predicting the prognostic factors of PSD. METHODS: The clinical data from patients admitted to the Fourth Affiliated Hospital of Soochow University from January 2021 to December 2023 were collected. The dataset was chronologically split into a training set (January 2021-May 2023, n = 377) and a temporal validation set (June-December 2023, n = 91). Feature variable
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.
Accurate outcome prediction enables stratified treatment in traumatic brain injury (TBI), a field that has yet to achieve a major therapeutic breakthrough. We aimed to develop a model to predict unfavorable in-hospital outcomes in TBI patients presenting with clear consciousness— a particularly challenging and previously unexplored target. We developed a soft-voting ensemble machine learning (ML) model combining six algorithms, including transformer-based architectures, to predict unfavorable discharge outcomes, trained on 349 cases with 17 clinical parameters and tested on 90. To develop the
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.
The rapid adoption of large language models (LLMs) has sparked growing interest in extending their capabilities beyond traditional natural language tasks, including applications in time series forecasting. This work explores the enhancement of time series forecasting with LLMs by incorporating time-dependent covariates. We propose a set of representative prompting strategies that span a wide range of formats while incorporating covariates, and then implement the proposed framework to evaluate performance across three real-world time series datasets in healthcare, service operations, and transp
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.
Machine learning (ML) models have been commonly utilized to predict various opioid-related outcomes and risks, including post-operative opioid use, opioid use disorder (OUD), misuse, or overdose. Despite their promising performance, the clinical utility and cross-study comparability of ML models are constrained. This is mainly due to variability in outcome definitions, data heterogeneity, class imbalance and analysis concerns, inadequate external or prospective validation, and limited real-world deployment and ethical concerns. Herein, we present an updated overview of these challenges in pred
СтатьяОбзорПоиск 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.
Greenhouse gas (GHG) emissions from wastewater treatment have gained increasing attention in global climate governance. However, conventional emission-factor (EF)-derived inventories lacked the ability to capture nonlinear variations, while existing machine learning (ML) models remained fragmented in scale. Here, we introduce WaterMAP (Wastewater AI Treatment Emission Regression for Multi-scale Accounting and Prediction), a novel ML framework designed for spatiotemporal EF-derived GHG prediction and mitigation evaluation. Using 40,722 inventory-based GHG records from 5155 WWTPs in China during
СтатьяПолный текст не найденПеревод 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 bio-oil yield from biomass pyrolysis is a real challenge due to nonlinear interactions between feedstock physicochemical properties and operating conditions. In addition, high feature dimensionality, uncertainties in experimental measurements, and multicollinearity make prediction accuracy and interpretability even more difficult, which explains the demand for a feature-driven and explainable modeling framework. We developed an advanced regression feature-based machine learning framework trained on a very comprehensive dataset of both biomass characteristics and pyrolysis
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: Artificial intelligence (AI) models have been used to predict myopia onset, but results are inconsistent. This systematic review and meta-analysis aimed to evaluate their performance.
METHODS: We searched PubMed, EMBASE, Web of Science, and Cochrane Library up to January 2026 for studies using AI to predict myopia onset. A random‑effects model pooled area under the curve (AUC). Risk of bias was assessed with PROBAST+AI, and evidence certainty with GRADE.
RESULTS: Seven studies (24 models) were included. At one‑year follow‑up, the pooled AUC for the seven studies (optimal models)
СтатьяСистематический обзорМетаанализПолный текст не найденПеревод 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.
AIMS: This study aims to develop an interpretable machine learning (ML) model for predicting the occurrence of advanced diabetic kidney disease (DKD), with the objective of identifying patients at an early stage of the disease, thereby facilitating timely and appropriate clinical intervention.
METHODS: Variable selection was performed using a combination of the least absolute shrinkage and selection operator (LASSO) and recursive feature elimination (RFE) techniques. A prediction model was constructed and validated using eight ML algorithms, and the model's performance was evaluated using are
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.
The performance of clinical machine learning (ML) models that continuously predict the risk of a future event is typically evaluated using metrics at a single time point. While these metrics are widely accepted to evaluate the performance of ML models, they are not comprehensive enough to capture the performance and behavior of the ML models when executing continuously in real-world settings. Additionally, these single time point metrics assess model discriminability, which is different from clinical utility. In this paper, we propose three novel frameworks to continuously evaluate clinical ML
СтатьяПолный текст не найденПеревод 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.
Target variable selection is often predefined in machine learning (ML)-based surface water pollution prediction without systematically considering dataset characteristics. This study developed a target variable selection unit (TVSU) integrating Gini feature importance and model pre-evaluation for same-period, cross-station, and cross-variable reconstruction of surface water quality and associated pollution-management decision support. Results showed that the scenario adhering to TVSU achieved the best predictive performance in both shallow and deep learning models (nRMSE values of 0.418 and 0.
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.
The rise in the number of surgeries per year has led to the development of many artificial intelligence models for predicting surgical complications. Despite their ever-growing use in healthcare, artificial intelligence is not up to the mark yet. We need to search and critically overcome the hurdles preventing their safe and reliable use in surgical care. This narrative review aims to find and analyze the main limitations and challenges of artificial intelligence in predicting surgical outcomes. Across the reviewed literature, key limitations were identified in four domains: data-related, meth
СтатьяОбзорПолный текст не найденПеревод 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.
Sepsis remains a major global health challenge due to its high mortality rate and the difficulty of predicting its onset from nonspecific early symptoms. To address this, we explored the feasibility of using fine-tuned small-scale large language models (LLMs) to perform accurate sepsis prediction from structured clinical time-series data. We developed a Semantic Abstraction Rule Engine (SARE) that transforms numerical clinical data into clinician-readable textual descriptions through temporal feature extraction and semantic transformation. Using these representations, four lightweight LLMs wer
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.
MedElevator
Войти в исследования