Despite growing recognition that positive youth development (PYD) depends on the dynamic interaction of individual and ecological resources, existing studies rely on linear models that cannot capture high-dimensional, nonlinear predictor configurations. This study applied machine learning to four-wave longitudinal data from 5019 Chinese adolescents (ages 9-19) to identify the key predictors of PYD at T4 (controlling for prior PYD at T3), measured by the Chinese 4Cs model (Character, Competence, Confidence, Connection). We compared 12 algorithms; CatBoost achieved the best prediction ( R 2
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 predictive information contained in the restricted surveillance feature set (demographic, temporal and specimen variables) for respiratory pathogen identification, and to examine factors associated with model performance.
METHODS: We retrospectively analysed 24,689 acute respiratory infection cases from seven sentinel hospitals in Sichuan, China; after quality control, 21,395 samples with complete 21-pathogen testing were included. Per-pathogen multi-label binary classifiers were trained using 15 features available at presentation; logistic regression, random forest
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.
Sepsis is a life-threatening condition resulting from a dysregulated host response to infection, frequently leading to organ failure and high mortality in hospital settings. Early identification of sepsis is critical for reducing mortality; however, conventional diagnostic approaches often fail to capture complex clinical patterns at an early stage. Recent advances in machine learning (ML) and explainable artificial intelligence (XAI) have demonstrated potential for improving predictive accuracy while supporting clinical interpretability. Nevertheless, concerns related to data privacy and mode
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.
Although homoscedasticity is often assumed in linear regression, real data may show variance patterns or residual structures that violate this assumption. We propose VarGuid, a variance-guided framework for two related settings: Covariate-dependent conditional variance under a global linear mean model, and residual nonlinear mean structure that can mimic heteroscedasticity. The framework has two deliberately separated components. The first uses an iteratively reweighted regression (IRR) algorithm to estimate a sparse global linear mean-variance model and support coefficient interpretation. 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.
OBJECTIVES: To evaluate the performance of the Tokuhashi, Tomita, SORG machine learning (SORG ML), and OPTImodel algorithms as survival predictors for vertebral metastases in clinical practice.
MATERIALS AND METHODS: A retrospective study (2013-2023) analyzed 573 patients from Cabueñes University Hospital (Asturias, Spain). Thirty-two demographic, epidemiological, clinical, and analytical variables were considered, including diagnosis chronology and survival.
RESULTS: Among the 573 patients studied, 272 (47.4%) presented visceral metastases at the time of diagnosis. A total of 362 patients (
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 and Objectives: Traditional assessment of the readiness for the weaning from the mechanical ventilator (MV) needs respiratory parameters in a spontaneous breath. Exempted from the MV disconnecting and manual measurements of weaning parameters, a prediction model based on parameters from MV and electronic medical records (EMRs) may help the assessment before spontaneous breath trials. The study aimed to develop prediction models using machine learning techniques with parameters from the ventilator and EMRs for predicting successful ventilator mode shifting in the medical intensive ca
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: Little is known about the relationship between miRNA and mRNA expression in Alzheimer's disease (AD) at early- or late-symptomatic stages. Sequence-based target prediction algorithms and anti-correlation profiles have been applied to predict miRNA targets using omics data, but this approach often leads to false positive predictions. Here, we applied the joint profiling analysis of mRNA and miRNA expression levels to Tg6799 AD model mice at 4 and 8 months of age using a network topology-based method. We constructed gene regulatory networks and used the PageRank algorithm to predict …
СтатьяПоддержка 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.
BackgroundMultimorbidity is common and associated with poor clinical outcomes and high health care costs. Administrative data are a promising tool for studying the epidemiology of multimorbidity. Our goal was to derive and apply a new scheme for using administrative data to identify the presence of chronic conditions and multimorbidity.MethodsWe identified validated algorithms that use ICD-9 CM/ICD-10 data to ascertain the presence or absence of 40 morbidities. Algorithms with both positive predictive value and sensitivity ≥70% were graded as "high validity"; those with positive predictive val
Поиск 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.
Traffic accidents arise from the dynamic evolution of traffic flow under spatio-temporal effects, and their occurrence and severity are significantly influenced by temporal and spatial variations in traffic conditions. Traditional studies predominantly rely on static accident-time data, which limits prediction accuracy. To address this gap, this study proposes a deep learning framework that integrates data preprocessing, spatio-temporal effect analysis, PCA-FCM-based risk labeling, and a CNN-BiLSTM hybrid model. Compared with CNN-LSTM, the proposed model replaces unidirectional LSTM with bidir
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.
High-grade gliomas (HGGs) are aggressive tumors with a propensity for recurrence. Despite standardized therapies, definitive treatment is elusive. Advancements in artificial intelligence (AI) and machine learning (ML) can potentially identify recurrence probabilities and patterns facilitating individualized therapy. A systematic review was conducted in accordance with the PRISMA guidelines. PubMed, ScienceDirect, and Web of Science databases were queried for reports on the use of AI/ML for the prediction of disease recurrence in HGGs. Using a random-effects model and inverse variance weighting
СтатьяСистематический обзорПолный 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.
OBJECTIVE: This study aimed to develop and validate a predictive model incorporating early VRR slope kinetics to predict long-term treatment outcomes.
METHODS: This retrospective study included 78 patients with benign thyroid nodules treated with microwave ablation. VRR was measured at 3-, 6-, and 12-months post-ablation. Treatment success was defined as 12-month VRR ≥ 90%. Three slope parameters were calculated: K1 (0-3 months, %/month), K2 (3-6 months), and K3 (6-12 months). Machine learning algorithms (LASSO, Random Forest, Support Vector Machine) were employed for feature selection from b
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.
CLINICAL RELEVANCE: Accurate axial length (AL) estimation is vital for monitoring myopia progression in children, especially in primary care where optical biometers are often unavailable. Prediction models with cycloplegic measurements may offer a reliable alternative.
PURPOSE: To assess the effect of cycloplegia on the accuracy and repeatability of several AL prediction models in a paediatric sample and to identify which models maintain minimal bias under both cycloplegic and non-cycloplegic conditions.
METHODS: Ninety-six children (mean age 12.5 ± 2.4 years) underwent repeated measurements
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.
INTRODUCTION: Alcohol use disorder (AUD) is a major public health concern worldwide, with alcohol use during adolescence often leading to AUD in adulthood. Early identification of high-risk individuals is critical for reducing AUD risk. Absolute risk prediction models can help by providing individualised, time-specific risk assessments for the target population of adolescents and young adults.
METHODS: We developed a deep learning model to provide personalised absolute risk estimates of developing AUD among adolescents or young adults who use alcohol, using data from the National Longitudinal
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: This study aims to construct and validate a machine learning model based on radiomics analysis of magnetic resonance imaging (MRI) to identify high-risk subtypes of Parkinson’s disease(PD) patients who may progress to depression. METHODS: The study utilized data from 272 PD patients in the PPMI database, among whom 81 developed depression during a five-year follow-up period. The cohort was randomly divided into a training set (n = 191) and a test set (n = 81). Radiomic features from white matter, gray matter, and cerebrospinal fluid were extracted from structural MRI scans in the tr
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.
Migraine is a complex neurological disorder with significant implications for individual well-being and public health. Predicting migraine occurrences after treatment is crucial for evaluating therapeutic efficacy and enabling personalized care, yet remains largely underexplored. This study proposes a robust machine learning framework to predict posttreatment migraine headache occurrences using real-world headache log data collected from 133 patients undergoing biofeedback therapy. The methodology includes rigorous data preprocessing, outlier removal via the interquartile range (IQR) method, a
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.
INTRODUCTION: In Roles 3 and 4 military treatment facilities and civilian hospitals, medics, unit commanders, and clinicians require knowledge of warfighter recovery following injury or surgery to aid operational planning, improve readiness and conduct resource allocation. In this study we developed a machine learning model using pre- and intraoperative patient surgical data from electronic health records to predict short-term recovery outcomes following surgery and to derive insights into clinical factors driving recovery.
MATERIALS AND METHODS: We used the INSPIRE (INformative Surgical Pati
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.
Drug-induced liver injury (DILI) is a leading cause of drug failure and post-market withdrawals. Traditional preclinical methods fail to detect up to 40-45% of clinical hepatotoxicity cases. Computational approaches, particularly those based on machine learning and deep learning (DL), are emerging as promising tools to support medicinal chemistry and early drug discovery, though their predictive capabilities remain under active investigation. In this perspective, we review the development of DILI annotation data sets, tracing their growth from small collections to large, comprehensive resource
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.
BACKGROUND: Gestational diabetes mellitus (GDM) significantly increases the risk of developing type 2 diabetes mellitus (T2DM) post partum, with up to half of affected women progressing within a decade. Early identification of high-risk individuals is critical for implementing preventive interventions. Artificial intelligence (AI) offers enhanced predictive capabilities that can substantially enhance the prevention of postpartum diabetes.
OBJECTIVE: This systematic review and meta-analysis aimed to evaluate the performance of AI models in predicting the progression from GDM to T2DM or prediab
СтатьяМетаанализСистематический 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.
PURPOSE OF REVIEW: Maternal morbidity and mortality remain largely preventable, yet current risk-assessment tools identify only a fraction of women who experience severe complications. This review synthesizes recent advances in artificial intelligence and machine learning for early prediction, decision support, and procedural guidance in obstetric anesthesia, with a focus on postpartum hemorrhage, hypertensive disease, sepsis, hemodynamic instability, neuraxial procedures, and peripartum pain.
RECENT FINDINGS: Recently, electronic health record (EHR)-integrated and imaging-based machine learn
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.
Recurrent spontaneous abortion (RSA) affects 1-5 % of couples, with over half of cases remaining unexplained. We developed an interpretable machine learning model using routine clinical, metabolic, and inflammatory indicators to predict RSA risk. A retrospective cohort of 523 women (285 RSA and 238 controls) was analyzed. Five algorithms were compared, and the random forest model showed the best performance (AUC = 0.85). SHAP analysis identified endometrial thickness, neutrophil percentage, and HOMA-β as the most influential predictors. This model enables individualized RSA risk estimation usi
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.
MedElevator
Войти в исследования