AIM: This study investigated the current status and key influencing factors of supportive care needs among elderly breast cancer patients, with a focus on identifying critical determinants through a survey and advanced machine learning techniques.
DESIGN: The cross-sectional study randomly interviewed 180 elderly breast cancer patients, and 157 valid observations were retained for analysis.
METHODS: Firstly, patients were surveyed by two questionnaires. One is for fundamental information, which includes demographics, clinical, and psychosocial variables; the other is the Chinese version of t
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: Incomplete spinal cord injury (iSCI) often causes heterogeneous locomotion dysfunctions, depending on remaining sensorimotor function. Clinical tests and traditional gait analysis have limited ability to quantify the diversity of gait impairments. Unsupervised learning techniques can objectively identify common gait patterns among the overall heterogeneity. Explainable artificial intelligence approaches, when combined with machine learning models, can reveal important features often missed by traditional gait analyses. This study presents a framework to characterize gait heterogene
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: Postoperative pulmonary complications (PPCs) are common and have a negative impact on postoperative morbidity and mortality, with associated medical resource use and cost care plan. Management of preoperative and intraoperative risk factors has been shown to reduce the occurrence of PPCs. Therefore, this study aimed to develop a risk prediction model for PPCs based on explainable machine learning (ML) methods and evaluate its predictive performance in order to enhance the prevention and intervention for PPCs.
METHODS: In this study, the medical records of 1,629 patients who underw
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: Childhood and adolescent obesity is a growing global public health challenge, underscoring the need for reliable tools to identify individuals at high risk. We aimed to develop, validate, and deploy machine learning (ML) models for predicting obesity in children and adolescents aged 3-18 years using multi-domain risk factors per Chinese and World Health Organization (WHO) growth standards, with an online tool for clinical and public health translation.
METHODS: We conducted a population-based cross-sectional study. We used data from 22,555 participants in Beijing (2022, 2024) for
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.
BACKGROUND: Natural language processing can transform unstructured clinical data into actionable insights that optimize workflows, improve patient outcomes, and reduce bias. We created a machine learning model that predicted suspicion of acute coronary syndrome (ACS) based on physician notes and assessed its capability to predict major adverse cardiovascular events (MACE) when implemented within the HEART (history, electrocardiogram, age, risk factors, troponin) score.
METHODS: We retrospectively reviewed adults presenting with chest pain to The Ottawa Hospital emergency departments (EDs). GP
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.
PURPOSE: Breast cancer-related lymphedema (BCRL) is a chronic condition caused by impaired lymphatic drainage following cancer treatment, manifesting as fluid accumulation, adipogenesis, and lymph reflux to the skin (dermal backflow). The affected regions are diverse and therefore, improved understanding of the spatial distribution of lymphatic dysfunction may facilitate earlier detection and disease monitoring. This study aimed to develop a spatial atlas of dermal backflow in BCRL and apply machine learning (ML) models to predict disease severity.
METHODS: Data from 282 female BCRL patients
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: Preserving functional independence is critical in older patients with heart failure (HF), yet tools predicting long-term functional trajectories are scarce.
AIMS: To develop and validate a machine learning (ML) model predicting functional decline, accounting for the competing risk of mortality.
METHODS: We analyzed 6382 older patients (median age, 82 years) from a nationwide prospective cohort (J-Proof HF registry). Patients aged ≥65 years, hospitalized for HF, prescribed rehabilitation, and independent preadmission (Barthel Index [BI] ≥85) were included. An eXtreme Gradient Boos
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.
Electroencephalography (EEG) has shown promise in assessing and monitoring functional recovery in stroke survivors, but its utility in predicting upper limb motor recovery in a data-driven framework remains underexplored. This study presents a novel EEG-based machine-learning model, StrokeRecovNet, developed to predict motor recovery outcomes based on the upper extremity subscale of the Fugl-Meyer Assessment (FMAUE). StrokeRecovNet is a feed-forward neural network optimized for regression tasks, leveraging 221 candidate EEG biomarkers, spanning spectral and functional connectivity domains, alo
СтатьяПолный текст не найденПеревод 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: There has been a notable increase in artificial intelligence (AI) studies in dentistry. However, the inadequate use of proper validation methods has led to overly optimistic performance metrics of machine learning (ML) models. External validation provides evidence of a ML model's performance with independent datasets and is crucial for generalizability.
METHODS: We developed Extreme Gradient Boosting (XGBoost) models to detect dental caries using easy-to-collect questionnaire data. ML model training was conducted using cross-validation nested resampling with a holdout test set, ut
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.
To assess the combined effects of mixed persistent organic pollutants and endocrine-disrupting chemicals on thyroid disease risk, we analyzed data from 1847 participants in the National Health and Nutrition Examination Survey 2011-2014. Environmental exposures included per- and polyfluoroalkyl substances, heavy metals, and phthalate metabolites. Thyroid disease was defined by self-reported physician diagnosis or laboratory criteria. We applied weighted quantile sum regression to assess mixture effects and identify individual chemical contributions. Machine learning analysis used extreme gradie
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: In real-world medical data, selection bias can significantly impact the performance of machine learning models, potentially leading to distorted outcomes. However, research aimed at mitigating selection bias remains relatively limited.
METHODS: In this study, we evaluate the effectiveness of Propensity Score Matching (PSM) in reducing selection bias and assessing its impact on classification performance in imbalanced medical data. Specifically, we apply PSM alongside five undersampling, three oversampling, and three hybrid sampling techniques to three medical datasets: rapidly pro
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 Diabetes is increasingly prevalent among older adults; mild cognitive impairment (MCI) comorbidity in this group represents a major concern. Existing MCI prediction methods are often inaccurate, but machine learning (ML) offers improved potential. This study aimed to identify factors associated with MCI through ML analysis of retrospective data from hospitalized older patients with type 2 diabetes mellitus (T2DM). MATERIAL AND METHODS This retrospective study analyzed data from 503 inpatients older than 60 years with T2DM. Patients were classified into MCI (n=102) and normal (n=401)
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: Artificial intelligence (AI) and machine learning (ML) are increasingly integrated into healthcare, offering potential advancements in patient-reported outcome measures (PROMs) for surgical populations. Improved PROMs can enhance patient-centered care by accurately capturing patient experiences with minimal burden.
OBJECTIVE: In the context of surgery, where recovery trajectories vary widely, this study aims to systematically review the use of AI and ML in the development, application, and prediction capabilities of PROMs in surgical populations, with a focus on psychometric prope
СтатьяСистематический обзорПоиск 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.
OBJECTIVE: Stroke-associated pneumonia (SAP) constitutes a major complication following spontaneous intracerebral hemorrhage (sICH), posing a significant clinical challenge for accurate prediction. This study aimed to evaluate whether integrating the pan-immune-inflammation value (PIV) enhances the predictive performance of machine learning (ML) models for SAP and poor functional outcome.
METHODS: A retrospective cohort of 371 sICH patients was analyzed. Feature selection was performed using the least absolute shrinkage and selection operator (LASSO). Predictive models for SAP and poor outcom
СтатьяПолный текст не найденПеревод 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.
AIM: Tacrolimus dosing in the early post-kidney transplant period is challenging due to a narrow therapeutic index and substantial interindividual pharmacokinetic (PK) variability. This study aimed to develop and validate mechanism-informed machine learning (ML) models to support individualized tacrolimus dosing during this critical period.
METHODS: A total of 4311 tacrolimus trough concentrations (Ctrough) within 7 days post-transplant were obtained from 1624 kidney transplant recipients. Two ML models, Gated Recurrent Unit (GRU) and eXtreme Gradient Boosting (XGBoost), were developed to pre
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: To develop an Automated Machine Learning (AutoML)-based model for screening Moderate-to-Severe Postoperative Thirst (MSPOT) risk at surgery-to-PACU handover and a prototype clinical decision support system.
METHODS: This retrospective single-center cohort included 928 patients undergoing general anesthesia (training set: n = 650; held-out internal test set: n = 278). An Improved Wave Optics Optimizer (IWOO) framework integrated feature selection and hyperparameter optimization using demographic, preoperative, and intraoperative variables. Prediction was performed at anesthesia-to-P
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 reservoir storage forecasting is critical for water security and risk management, yet most data-driven approaches emphasize short-term predictive skill without accounting for long-term changes in storage capacity caused by sedimentation. This study addresses this gap by examining whether monthly, hydro-climatic machine learning forecasts of effective water storage capacity can be meaningfully evaluated against observed, multi-year capacity changes derived from bathymetric surveys. Forecasting performance is evaluated at the rainfall-driven Mingde Reservoir and the highly regulated Shi
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: To investigate the potential of a machine learning (ML) model integrating MR-based pelvimetry and the peritoneal reflection (PR) in predicting the surgical difficulty of laparoscopic total mesorectal excision (LaTME) for rectal cancer (RC).
METHODS: RC patients who underwent rectal magnetic resonance imaging (MRI) before LaTME between December 2020 and December 2022 were included in this retrospective study. The duration of surgery, blood loss, postoperative hospital stay, and postoperative complications were selected to evaluate the surgical difficulty. Using unsupervised cluster
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.
AIMS: Acute kidney injury (AKI) is a frequent and severe complication in critically ill patients with cardiovascular instability. Current risk scores rely on delayed renal biomarkers such as serum creatinine (sCr) and blood urea nitrogen (BUN). We aimed to develop and validate machine learning (ML) models predicting AKI and major adverse kidney events (MAKE) exclusively from systemic physiological and haemodynamic data.
METHODS AND RESULTS: Two ML models were trained on the MIMIC-IV database: one including (sCr+/BUN+) and one excluding (sCr-/BUN-) renal parameters. External validation was per
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.
INTRODUCTION: Early re-operation secondary to postoperative surgical site infection (SSI) in lumbar microdiscectomy, although rare, poses significant morbidity and healthcare burden.
RESEARCH QUESTION: Given the variable performance of traditional statistical and machine learning (ML) models in predicting this outcome, this study aimed to develop and validate a ML model to accurately predict 30-day re-operation following SSI in patients undergoing lumbar microdiscectomy.
MATERIAL AND METHODS: De-identified patient data were obtained from American College of Surgeons National Surgical Quality
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.
MedElevator
Войти в исследования