Sepsis and acute kidney injury (AKI) remain among the most critical conditions in acute care, associated with high morbidity and mortality. Early risk recognition is essential but often hampered by nonspecific symptoms. Recent studies have demonstrated that AI- and ML-based Clinical Decision Support Systems (CDSS) can enhance the early detection of sepsis and AKI and support clinical decision-making [1-3]. In May 2025, the University Hospital Augsburg (UKA) integrated an externally developed AI-based CDSS to provide real-time risk predictions for sepsis and AKI. This study evaluates the effect
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.
Embedding-based approaches integrate clinical notes into sepsis prediction models but produce uninterpretable representations, obscuring which clinical findings drive predictions, and limiting both trust and regulatory acceptance. We compared three frameworks for extracting interpretable features from MIMIC-III clinical notes (217 sepsis cases, 2,170 controls): rule-based (M1), zero-shot LLM with retrieval-augmented generation (M2), and hybrid combining symbolic pre-filtering with LLM quantification (M3), evaluating 19 SOFA, qSOFA, and SIRS-based features using expert validation of 190 predict
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.
Accurate prediction of early functional outcome after acute ischemic stroke is critical for clinical decision-making. This retrospective cohort study developed and externally validated a machine learning model using routine clinical data from two settings. A total of 11,911 ischemic patients from the 2023 Stroke Care Quality (RES-Q) registry in 52 hospitals across Vietnam and 83 patients from UGM Academic Hospital, Indonesia, were included. The primary outcome was discharge modified Rankin Scale (mRS≤2=favorable; >2 = poor). The XGBoost model achieved strong internal discrimination (AUC=0.905,
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.
Preoperative education has been shown to improve postoperative outcomes, yet accessible and individualized information remains limited. This study presents an AI-based Chatbot designed to support patients through interactive and understandable preoperative guidance. Initial testing shows that the AI-Chatbot adapts to patient questions and promotes interaction, although occasional hallucinations occur. These findings highlight the potential of AI tools to enhance patient-centred education in anaesthesiology and perioperative anaesthetic care.
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: Reproducibility in rehabilitation evidence synthesis is influenced not only by search strategy and adjudication architecture but also by the structural clarity of operational taxonomy. This study evaluated whether shared operational definitions support classification stability across AI-assisted adjudication architectures.
METHODS: A previously established deduplicated rehabilitation corpus was analyzed using a fixed multi-adjudicator architecture under standardized operational constraints. Inter-architecture concordance (agreement, Cohen's κ, and Gwet's AC1) was assessed. Corpus exp
СтатьяEvidence SynthesisПоиск 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: Several in silico models concluded that ultra-high dose rate (UHDR) radiotherapy could spare large quantities of circulating lymphocytes. However, preclinical studies failed to show a reduction in radiation-induced lymphopenia after UHDR irradiation compared with conventional dose rates (CONV). This study aims to investigate the influence of fractionation and beam sequencing on absorbed dose to circulating lymphocytes during CONV and UHDR irradiations.
MATERIALS AND METHODS: The LymphoDose framework was applied to a cohort of 162 patients treated for brain tumors with 3D conformal ra
СтатьяПоддержка исследования: вне правительства СШАПолный 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: Artificial intelligence (AI) has become increasingly important in predicting outcomes of traumatic brain injury (TBI). Traditional machine learning (ML) models, such as support vector machines (SVMs), have shown high accuracy, whereas the potential of large language models (LLMs) in structured clinical prediction remains underexplored.
PURPOSE: This study compared the predictive performance of ML and LLM approaches (ChatGPT-5 with Thinking response mode) using the same TBI dataset and evaluated the impact of prompting strategies and threshold calibration on model reliability and c
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.
OBJECTIVE: To develop and externally validate an interpretable machine learning model for predicting 7-day stroke-associated pneumonia (SAP) using routine clinical data collected within 24 h of admission.
METHODS: This multicenter study utilized a development cohort from the Henan Stroke Cohort and an independent external validation cohort from three Zhengzhou hospitals. Adult patients with imaging-confirmed ischemic or hemorrhagic stroke were eligible. Patients with infection at admission or who developed SAP within 24 h of admission were excluded. We evaluated 26 candidate predictors obtain
СтатьяМногоцентровое исследованиеВалидационное исследованиеПолный 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.
Demographic bias in AI-driven clinical decision support systems (CDSS) represents one of the most consequential and least-addressed risks in healthcare AI. Large Language Models (LLMs) applied to emergency triage can silently perpetuate or amplify existing health disparities across thousands of patient decisions. This paper introduces FairGuard, a continuous bias detection and governance framework that embeds demographic fairness auditing directly into the LLM inference pipeline using four integrated mechanisms: (1) an equity-enforcing consent gate that applies demographic-blind access control
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.
Artificial Intelligence (AI) is transforming medical imaging, especially pathology through deep learning. In low-resource settings like Burkina Faso, early breast cancer detection remains difficult due to limited infrastructure and specialists. This paper reviews AI methods for detecting breast cancer from histopathological images, analyzing 30/50 selected studies. Results show high performance of deep learning models, particularly CNNs, with sensitivity up to 95-100%. However, challenges persist in data availability, interpretability, and adaptation to local contexts. The study emphasizes the
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.
Breast density is a key breast cancer risk factor. It is traditionally assessed via mammography, but existing limitations invite alternative approaches. This pilot study evaluated the feasibility of machine learning-based breast density classification from Time-Domain Bioimpedance Sensing (TD-BIS) signals.
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.
This work presents a FAIR-compliant, multimodal PET-CT and clinical dataset developed within the EUCAIM framework to support future AI-based prediction of response to NST in LABC patients. A real-world dataset was curated, harmonized, and integrated into the EUCAIM CDM within a federated infrastructure. While predictive modeling is ongoing, this study focuses on data preparation and infrastructure, key bottlenecks for AI development, demonstrating the feasibility of integrating local hospital data into a European federated ecosystem to enable future multicentric AI applications.
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.
We benchmarked five open-source LLMs (12-24B parameters) on ICHD-3 headache classification using 305 synthetic vignettes from the HeadAI dataset. Five standard prompting techniques achieved 56-61% top-1 accuracy with no significant pairwise differences. A three-tier oracle ablation that progressively provided the correct diagnosis reached 81-94%, revealing a 36-percentage-point gap attributable to retrieval quality. When the retriever placed the correct diagnosis at rank 1 (Hit@1 = 23%), accuracy reached 94.9%. The gap decomposed into retrieval quality (∼24 pp), noise (∼6 pp), and intra-catego
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.
Fetal congenital heart disease (FCHD) remains a leading cause of infant mortality globally, yet the clinical deployment of deep learning models for automated fetal echocardiographic view recognition faces performance degradation due to domain shifts across medical centers. This study aims to develop a cross-center online adaptation framework to enhance model generalization in heterogeneous clinical environments without requiring target-domain labels. We propose a novel framework integrating three core components: (1) a dual-branch architecture with unadversarial perturbation-based consistency
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.
Prostate cancer (PCa) is the most common cancer in men. Treatment decisions for PCa consider factors like age, tumor stage, and grade, along with specific prostate-related factors such as prostate-specific antigen (PSA) level and Gleason score. Most of these features are ordinal, meaning they have an inherent order of their categorical levels. Machine learning (ML) approaches are increasingly used to PCa prognosis. However, most ML models are not able to handle categorical features directly, so they need to be transformed into numerical representations. Common methods are ordinal or one-hot en
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.
Artificial Intelligence (AI) and Clinical Practice Guidelines (CPGs) both aim to support clinical decision-making but may provide conflicting suggestions. This manuscript presents a Guideline-Aligned Machine Learning (GAML) model to predict ondansetron administration at the end of anaesthesia, based on Gan et al.'s Fourth Consensus Guidelines for the Management of Postoperative Nausea and Vomiting (PONV). n= 16,240 anaesthesia protocols were analysed for risk factors and administered PONV prophylaxes. Logistic regression, multinomial naïve Bayes, and CatBoost classifiers were trained on 80% of
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.
This study aims to automatically detect, classify, and stage bone apposition changes in the mandibular angle region associated with bruxism using panoramic radiographs. The deep learning-based YOLO11x architecture was implemented to identify and categorize these structural stages. A total of 800 panoramic radiographs were annotated as stage 0-3 by a specialist dentomaxillofacial radiologist. Bruxism status was determined from clinical records, while bone appositions were staged radiographically. Each radiograph was divided along the midline and the left side mirrored, yielding 1600 half-jaw im
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: AI-enabled medical software is increasingly used across clinical care. The European Database on Medical Devices (EUDAMED) is intended to support transparency, but the public traceability of AI functionality remains uncertain.
OBJECTIVE: To assess AI traceability in EUDAMED software-device records and to characterize devices supported by explicit device-specific AI evidence.
METHODS: We conducted a cross-sectional study of EUDAMED software records available through 31 December 2025. Consolidation yielded 1546 device-level records from 2858 raw records. EUDAMED-only AI coding was i
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.
OBJECTIVES: We aimed to compare sleep characteristics between patients with liver cirrhosis and healthy controls using a standardised protocol and portable electroencephalogram (EEG) devices.
METHODS: We enrolled patients with early stage cirrhosis at low risk for sleep disorders (no apnoea, insomnia, alcohol use, pruritus or major portosystemic shunt; body mass index (BMI) ≤31 kg/m²). Using propensity score matching (age, sex, BMI), 18 patients with cirrhosis were compared with 18 healthy older adults from a 95-person cohort. Sleep was assessed at home using portable EEG devices measuring to
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.
Artificial intelligence (AI) is revolutionizing anesthesiology by enhancing the prediction and management of perioperative complications, including intraoperative hypotension, respiratory failure, postoperative nausea and vomiting (PONV), and pain control challenges. This scoping review synthesizes evidence from 82 studies, identified through a systematic search of PubMed, Scopus, Web of Science, and grey literature from January 2010 to September 2025, to map AI techniques, their clinical applications, and limitations. Techniques include Machine Learning (ML) (e.g., random forests, support vec
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.
MedElevator
Войти в исследования