This study explores the potential of using wrist-worn inertial sensors to automate the labeling of ARAT (Action Research Arm Test) items. While the ARAT is commonly used to assess upper limb motor function, its limitations include subjectivity and time consumption of clinical staff. By using IMU (Inertial Measurement Unit) sensors and MiniROCKET as a time series classification technique, this investigation aims to classify ARAT items based on sensor recordings. We test common preprocessing strategies to efficiently leverage included information in the data. Afterward, we use the best preproces
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.
(1) Background: Being able to objectively assess upper limb (UL) dysfunction in breast cancer survivors (BCS) is an emerging issue. This study aims to determine the accuracy of a pre-trained lab-based machine learning model (MLM) to distinguish functional from non-functional arm movements in a home situation in BCS. (2) Methods: Participants performed four daily life activities while wearing two wrist accelerometers and being video recorded. To define UL functioning, video data were annotated and accelerometer data were analyzed using a counts threshold method and an MLM. Prediction accuracy,
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.
Bladder cancer has been increasing globally. Urinary cytology is considered a major screening method for bladder cancer, but it has poor sensitivity. This study aimed to utilize clinical laboratory data and machine learning methods to build predictive models of bladder cancer. A total of 1336 patients with cystitis, bladder cancer, kidney cancer, uterus cancer, and prostate cancer were enrolled in this study. Two-step feature selection combined with WEKA and forward selection was performed. Furthermore, five machine learning models, including decision tree, random forest, support vector machin
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.
OBJECTIVE: To develop and internally validate a machine learning model to predict favorable standing ability at hospital discharge in patients with moderate-to-severe traumatic brain injury, incorporating both modifiable and nonmodifiable clinical factors.
DESIGN: Retrospective cohort study.
SETTING: A tertiary academic medical center in Taiwan.
PARTICIPANTS: A total of 248 adults with moderate-to-severe traumatic brain injuries admitted between 2019 and 2024 who received standard acute care and had complete discharge functional outcome data.
INTERVENTIONS: Not applicable.
MAIN OUTCOME 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: Oncological resection and reconstruction involving the lower extremities commonly lead to reoperations that impact patient outcomes and healthcare resources. This study aimed to develop a machine learning (ML) model to predict this reoperation risk.
METHODS: This study was conducted according to TRIPOD + AI. Data from the PARITY trial was used to develop ML models to predict the 1-year reoperation risk following lower extremity oncological resection and reconstruction. Six ML algorithms were tuned and calibrated based on fivefold cross-validation. The best-performing model was ide
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.
Purpose: With the popularity of recreational activities, the study aimed to develop prediction models for recreational activity participation and explore the key factors affecting participation in recreational activities. Methods: A total of 12,712 participants, excluding individuals under 20, were selected from the National Health and Nutrition Examination Survey (NHANES) from 2011 to 2018. The mean age of the sample was 46.86 years (±16.97), with a gender distribution of 6,721 males and 5,991 females. The variables included demographic, physical-related variables, and lifestyle variables. Th
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.
This study presents a machine learning approach to predict the structural number of flexible pavements using subgrade soil properties and environmental conditions. Four algorithms were evaluated, including random forest, extreme gradient boosting, gradient boosting, and K nearest neighbors. The dataset was prepared by converting resilient modulus values into structural numbers using the bisection method applied to the American Association of State Highway and Transportation Officials 1993 design equation. Input variables included moisture content, dry unit weight, weighted plasticity index, an
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.
Interventional procedures expose physicians to scattered radiation, particularly to their upper extremities, posing occupational health risks. Existing extremity dosimeters such as thermoluminescents, optically stimulated luminescence rings and active personal dosimeters provide limited spatial information, exhibit angular and energy dependence and offer little or no real-time feedback. This study develops machine learning (ML) models to estimate radiation dose values at discrete upper-limb locations using Monte Carlo (MC)-derived data and procedure-specific parameters. A dataset of 10 000 MC
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.
RESEARCH QUESTION: Which factors influence clinical pregnancy outcomes in vitrified-warmed single euploid embryo transfer cycles using machine learning models?
DESIGN: This retrospective cohort study included 4300 vitrified-warmed single euploid embryo transfer cycles derived exclusively from intracytoplasmic sperm injection or intracytoplasmic morphologically selected sperm injection performed at the Assisted Reproductive Technology and Reproductive Genetics Centre of Sisli Memorial Hospital, Istanbul, Turkey between October 2011 and February 2023. Twenty-six clinical, demographic and embryo
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: Early diagnosis of diabetes is essential for early interventions to slow the progression of dysglycemia and its comorbidities. However, among individuals with diabetes, about 23% were unaware of their condition.
OBJECTIVE: This study aims to investigate the potential use of automated machine learning (AutoML) models and self-reported data in detecting undiagnosed diabetes among US adults.
METHODS: Individual-level data, including biochemical tests for diabetes, demographic characteristics, family history of diabetes, anthropometric measures, dietary intakes, health behaviors, and
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.
OBJECTIVE: To evaluate the performance of machine learning and then deep learning to detect a systemic scleroderma (SSc) landscape from the same set of nailfold capillaroscopy (NC) images from the French prospective multicenter observational study SCLEROCAP.
METHODS: NC images from the first 100 SCLEROCAP patients were analyzed to assess the performance of machine learning and then deep learning in identifying the SSc landscape, the NC images having previously been independently and consensually labeled by expert clinicians. Images were divided into a training set (70 %) and a validation set
Сравнительное исследованиеСтатьяПоддержка 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.
PURPOSE: To develop a predictive model combining clinical, radiomic, and deep learning features based on X-ray and MRI to identify risk factors for early femoral head deformity in Legg-Calvé-Perthes disease (LCPD).
METHODS: This study involved 152 patients diagnosed with early unilateral LCPD across two centers between January 2013 and December 2023, and included an independent external validation set to assess generalizability. Four machine learning methods, including logistic regression (LR), random forest (RF), support vector machine (SVM), and extreme gradient boosting (XGBoost), were emp
СтатьяМногоцентровое 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.
The abnormal heart conduction, known as arrhythmia, can contribute to cardiac diseases that carry the risk of fatal consequences. Healthcare professionals typically use electrocardiogram (ECG) signals and certain preliminary tests to identify abnormal patterns in a patient's cardiac activity. To assess the overall cardiac health condition, cardiac specialists monitor these activities separately. This procedure may be arduous and time-intensive, potentially impacting the patient's well-being. This study automates and introduces a novel solution for predicting the cardiac health conditions, spec
СтатьяПоддержка исследования: вне правительства СШАПолный 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 & AIMS: Refeeding syndrome (RFS) is a disease that occurs when feeding is restarted and metabolism changes from catabolic to anabolic status. RFS can manifest variously, ranging from asymptomatic to fatal, therefore it may easily be overlooked. RFS prediction using explainable machine learning can improve diagnosis and treatment. Our study aimed to propose a machine learning model for RFS prediction, specifically refeeding hypophosphatemia, to evaluate its performance compared with conventional regression models, and to explain the machine learning classification through Shapley add
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: Pancreatic cancer (PC) is deadly and distinguishing it from inflammatory conditions in chronic pancreatitis (CP) patients is challenging. We aimed to develop machine learning models to predict PC in CP patients with focal pancreatic lesions.
METHODS: For this bicentric retrospective study, CP patients with indeterminate focal pancreatic lesions discovered through contrast-enhanced computed tomography scans were enrolled. Final diagnosis of focal pancreatic lesions was established by surgical pathology or follow-up outcomes. We used Boruta algorithm for feature screening, and condu
СтатьяМногоцентровое 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.
INTRODUCTION: Prolonged length of stay (PLOS) in hospitals is a critical metric representing quality and efficiency of care, especially for patients with traumatic brain injury (TBI). Machine learning offers the potential to predict PLOS, although class imbalance, limited sample size, or lack of generalizability impact their real-world application. This study benchmarks machine learning models from prior studies and explores ensemble models to predict PLOS in TBI patients and address domain adaptation concerns in surgical settings.
METHODS: An anonymized dataset of 263 adult TBI patients admi
СтатьяПоддержка 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.
BACKGROUND: Micromobility-related injuries are increasing, yet injury surveillance systems lack comprehensive data on risk factors like helmet use. Unstructured clinical notes in electronic health records contain this valuable information, which is crucial for injury prevention efforts.
METHODS: We conducted a retrospective method comparison study comparing rule-based systems and machine learning models (Term Frequency-Inverse Document Frequency+eXtreme Gradient Boosting) for extracting helmet use information from emergency department triage notes. We analysed 1206 notes from micromobility-re
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: Transcriptomic profile differences between patients with bipolar disorder and healthy controls can be identified using machine learning and can provide information about the potential role of the cerebellum in the pathogenesis of bipolar disorder.With this aim, user-friendly, fully automated machine learning algorithms can achieve extremely high classification scores and disease-related predictive biosignature identification, in short time frames and scaled down to small datasets.
METHOD: A fully automated machine learning platform, based on the most suitable algorithm selection a
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: Postoperative acute kidney injury is common after major vascular surgery and is associated with increased morbidity, mortality, and cost. High-performance risk stratification using a machine learning model can inform strategies that mitigate harm and optimize resource use. It is hypothesized that incorporating intraoperative data would improve machine learning model accuracy, discrimination, and precision in predicting acute kidney injury among patients undergoing major vascular surgery.
METHODS: A single-center retrospective cohort of 1,531 adult patients who underwent nonemergen
СтатьяПоддержка NIH: внешняя программаПолный 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.
The belt conveyor is an essential piece of equipment in coal mining for coal transportation, and its stable operation is key to efficient production. Belt surface of the conveyor is vulnerable to foreign bodies which can be extremely destructive. In the past decades, much research and numerous approaches to inspect belt status have been proposed, and machine learning-based non-destructive testing (NDT) methods are becoming more and more popular. Deep learning (DL), as a branch of machine learning (ML), has been widely applied in data mining, natural language processing, pattern recognition, im
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