INTRODUCTION: Stability, yield, and interactions between variables in the process, combined with the risk of contamination, pose a challenge for optimization of microbial fermentation processes. In this work, FERM-AI, a novel risk-aware machine learning surrogate framework for benchmark evaluation of cellulase fermentation, is presented, comprising of yield prediction, contamination risk assessment and an interactive decision-support interface.
METHODS: The framework was tested with a benchmark set of 1,000 runs of fermentation, consisting of 20 fermentation runs from experiments and 980 synt
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.
The growing demand for raw and processed scientific data has encouraged many researchers and research institutions to adopt an open-source data policy. At present, data accessibility is of paramount importance due to the growing demand for artificial intelligence (AI) and machine learning (ML) applications in various scientific fields, particularly medicine. Medium- to large-scale mammography datasets are widely used in breast cancer research to develop and evaluate computer-aided detection methods. However, there are only a few studies on using mammogram datasets for the prediction of the bre
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: While research on robotic rehabilitation has largely focused on evaluating device effectiveness, there remains a clear need to investigate patient characteristics that predict response to robot-assisted therapy. Recent advancements in machine learning (ML) techniques support such investigations by enabling the development of data-driven tools to assist in selecting appropriate rehabilitation treatments. This study aimed to develop two ML models, predicting two motor outcomes each, following either robot-assisted or conventional upper limb rehabilitation in post-stroke patients. It
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: Accurate prediction of symptomatic radiation pneumonitis (RP) is critical for radiation therapy, however, the generalization of deep learning models is hindered by restricted access to multicenter data. Although federated learning (FL) bypasses data sharing restrictions, standard FL algorithms underperform on highly heterogeneous clinical data across institutions. Therefore, this study aims to evaluate the clinical feasibility of a center-specific FL approach.
METHODS AND MATERIALS: We evaluated the Federated Cross-Center Adaptive Alternating Model (FCAAM), a tailored framework desig
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: Intracranial infection (ICI) is a serious complication following spontaneous intracerebral hemorrhage (ICH) and is associated with prolonged intensive care, increased morbidity, and poor functional outcomes. Early identification of patients at high risk for post-ICH ICI remains difficult because of heterogeneous clinical presentations and complex interactions among neurological severity, systemic inflammation, and treatment-related factors. This study aimed to develop and validate a clinically applicable machine learning model for early prediction of ICI after ICH.
METHODS: This t
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: Machine learning (ML) provides a promising approach to predict adverse perinatal outcomes, supporting early intervention to reduce neonatal morbidity and mortality. There has been a surge of publications using ML algorithms applied to routine clinical data to predict adverse perinatal outcomes. We aimed to assess the current evidence regarding ML model performance, their comparison with logistic regression, and risk of bias.
METHODS: We searched PubMed, EMBASE, CINAHL, Global Health, Web of Science and IEEE Xplore for studies published from 1st January 2015 to 17th January 2026. W
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: Adolescent idiopathic scoliosis (AIS), is a complex three-dimensional deformity of the spine that affects a significant percentage of the adolescent population. Its progressive nature and evolution variability complicates therapeutic decisions, generating the need for more accurate tools for diagnosis, prediction of risk of progression and optimization of treatments. Artificial intelligence (AI) and machine learning (ML) emerge as tools with significant potential for comprehensive management of AIS. Despite the enthusiasm for these applications, there are important limitations that
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: Cardiovascular (CV) risk prediction models guide primary prevention, yet most were derived in Western populations and may not generalize to the South Asian population.
OBJECTIVES: To compare risk classification, agreement, and discriminative patterns of major atherosclerotic cardiovascular disease (ASCVD) risk prediction models in first acute myocardial infarction (AMI).
METHODS: In this retrospective analysis, 4,975 consecutive patients aged 40 to 79 years presenting with first AMI were evaluated. Pre-event demographics, clinical characteristics, and laboratory data were extract
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.
Small cell lung cancer (SCLC) is known for its rapid disease progression and high metastasis, significantly reducing patient survival. The current lack of clinical models that can accurately predict the metastatic stage of SCLC limits the timeliness and effectiveness of treatment strategies. Machine learning techniques offer the possibility to improve the accuracy and operationalisation of predictions by utilising complex algorithmic pattern recognition. This study aimed to develop and interpret a predictive model for SCLC metastatic staging using real-world data. The Surveillance, Epidemiolog
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.
Alzheimer's disease (AD), a progressive neurodegenerative disorder, significantly impacts patient survival, prompting the need for accurate prognostic tools. Lifestyle factors and physical activity levels have been identified as critical modifiable risk factors influencing AD outcomes, but their precise impact on mortality prediction remains understudied. This study aimed to employ machine learning (ML) techniques to predict mortality risk in AD patients, leveraging data on lifestyle and physical activity to enhance personalized care strategies and inform public health policies. We analyzed da
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: Determining the benign or malignant status of indeterminate pulmonary nodules (IPN) with intermediate malignancy risk is a significant clinical challenge. Oral microbiota-lung cancer (LC) interactions have qualified oral microbiota as a promising non-invasive predictive biomarker in IPN.
MATERIALS AND METHODS: Prospectively collected saliva, throat swabs, and tongue coating samples from 1040 IPN patients and 70 healthy controls across three hospitals. Following up, the IPNs were diagnosed as benign (BPN) or malignant pulmonary nodules (MPN). Through 16S rRNA sequencing, bioinforma
СтатьяМногоцентровое исследованиеПолный 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: Extremely aggressive prostate cancer, including subtypes like small cell carcinoma and neuroendocrine carcinoma, is associated with poor prognosis and limited treatment options. This study sought to create a robust, interpretable machine learning-based model that predicts 1-, 3-, and 5-year survival in patients with extremely aggressive prostate cancer. Additionally, we sought to pinpoint key prognostic factors and their clinical implications through an innovative method.
MATERIALS AND METHODS: This study retrospectively analyzed data from 1,620 patients with extremely aggressive
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.
Effective outcome prediction is crucial in the management of spontaneous intracerebral hemorrhage (SICH). This study developed machine learning models to predict the 180-day Glasgow Outcome Scale (GOS) score using clinical parameters and identify key prognostic factors. All patients with SICH were randomized into training and internal validation cohortsin a 7:3 ratio. After the most relevant variables were selected by the SVM-RFE and LASSO algorithms, the predictive efficiency of the gradient boosting decision tree (GBDT), XGBoost, random forest (RF), and lightgbm models was evaluated through
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: The possible association between diabetes mellitus and dementia has raised concerns, given the observed coincidental occurrences.
OBJECTIVE: This study aimed to develop a personalized predictive model, using artificial intelligence, to assess the 5-year and 10-year dementia risk among patients with type 2 diabetes mellitus (T2DM) who are prescribed antidiabetic medications.
METHODS: This retrospective multicenter study used data from the Taipei Medical University Clinical Research Database, which comprises electronic medical records from 3 hospitals in Taiwan. This study applied
СтатьяМногоцентровое 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: Outcome prediction for live-donor kidney transplantation improves clinical and patient decisions and donor selection. However, the currently used models are of limited discriminative or calibration power and there is a critical need to improve the selection process. We aimed to assess the value of various artificial intelligence (AI) algorithms to improve the risk stratification index.
METHODS: We evaluated pre-transplant variables among 66 914 live-donor kidney transplants (performed between 1 December 2007 and 1 June 2021) from the United Network of Organ Sharing database, rando
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/Objectives: Obstructive sleep apnea (OSA) classification relies on polysomnography (PSG) results. Current guidelines recommend the development of clinical prediction algorithms in screening prior to PSG. A recent intuitive and user-friendly tool (OSABayes), based on a Bayesian network model using six clinical variables, has been proposed to quantify the probability of OSA. Our aims are (1) to validate OSABayes prospectively, (2) to build a smartphone app based on the proposed model, and (3) to evaluate app usability. Methods: We prospectively included adult patients suspected of OSA…
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 investigate the tongue image features of patients with lung cancer and benign pulmonary nodules and to construct a lung cancer risk warning model using machine learning methods. Methods: From July 2020 to March 2022, we collected 862 participants including 263 patients with lung cancer, 292 patients with benign pulmonary nodules, and 307 healthy subjects. The TFDA-1 digital tongue diagnosis instrument was used to capture tongue images, using feature extraction technology to obtain the index of the tongue images. The statistical characteristics and correlations of the tongue index
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: Acute kidney injury (AKI) after coronary artery bypass grafting (CABG) surgery is associated with poor outcomes. The objective of this study was to apply a new machine learning (ML) method to establish prediction models of AKI after CABG.
METHODS: A total of 2,780 patients from two medical centers in East China who underwent primary isolated CABG were enrolled. The dataset was randomly divided for model training (80%) and model testing (20%). Four ML models based on LightGBM, Support vector machine (SVM), Softmax and random forest (RF) algorithms respectively were established in P
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: The existing medical imaging tools have a detection accuracy of 97% for peritoneal metastasis(PM) bigger than 0.5 cm, but only 29% for that smaller than 0.5 cm, the early detection of PM is still a difficult problem. This study is aiming at constructing a deep convolution neural network classifier based on meta-learning to predict PM.
METHOD: Peritoneal metastases are delineated on enhanced CT. The model is trained based on meta-learning, and features are extracted using multi-modal deep Convolutional Neural Network(CNN) with enhanced CT to classify PM. Besides, we evaluate the perfo
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: Postoperative risk stratification is challenging in patients with ST-segment elevation myocardial infarction (STEMI) who undergo percutaneous coronary intervention. This study aimed to characterize the metabolic fingerprints of patients with STEMI with different inhospital outcomes in the early stage of morbidity and to integrate the clinical baseline characteristics to develop a prognostic prediction model.
METHODS: Plasma samples were collected retrospectively from two propensity score-matched STEMI cohorts from May 6, 2020 to April 20, 2021. Cohort 1 consisted of 48 survivors a
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.
MedElevator
Войти в исследования