OBJECTIVE: To compare the performance of machine learning and logistic regression algorithms in predicting emergence delirium (ED) in elderly patients.
METHODS: A prospective study was carried out in a Chinese teaching tertiary hospital and collected the details of 1045 patients who underwent noncardiac surgery with general anesthesia. Characteristic variables related to ED were selected by least absolute shrinkage and selection operator (LASSO). Finally, seven machine learning models (gradient boosting machine, extreme gradient boosting, light gradient boosting machine, support vector machin
СтатьяСравнительное исследованиеПоддержка 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: Chemotherapy is the primary treatment for metastatic nonseminomatous germ cell tumors (mNSGCTs), but patients often encounter postchemotherapy residual disease. Accurate noninvasive methods are needed to predict the histology of these masses, guiding treatment and reserving surgery for those with teratoma. This study aims to enhance predictive accuracy by integrating computed tomography (CT) radiomics features with miRNAs (miR371-375) to distinguish between teratoma and nonteratoma histology in postchemotherapy residual masses.
METHODS: We retrospectively identified 111 lesions, divi
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.
PURPOSE: This Special Article provides a comprehensive review and expert commentary on the prospective clinical implementation of artificial intelligence (AI) in the detection of prostate cancer from digital prostate biopsies, as presented in the original research by Flach et al. It contextualizes the study within broader developments in digital pathology and AI, addressing barriers to adoption and the implications for diagnostic workflows and pathology practice.
DESIGN: Drawing on insights from the CONFIDENT-P trial and the author's own experience with digital pathology and AI-assisted workf
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.
This study investigates the use of virtual reality (VR) for cancer rehabilitation (CR) among patients with metastatic prostate cancer (mPC) undergoing androgen deprivation therapy (ADT). Interviews with 20 participants revealed that the engaging visuals and gamified exercise routines of the VR system enhanced motivation and supported personalized activities. However, some participants encountered challenges, including difficulty using the headset with glasses, initial confusion with technical terms, and concerns about cost and equipment durability. While most appreciated the system's flexibili
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.
Non-invasive and precise identification of clinically significant prostate cancer (csPCa) is essential for the management of prostatic diseases. Our study introduces a novel and interpretable diagnostic method for csPCa, leveraging multi-regional, multiparametric deep learning radiomics based on magnetic resonance imaging (MRI). The prostate regions, including the peripheral zone (PZ) and transition zone (TZ), are automatically segmented using a deep learning framework that combines convolutional neural networks and transformers to generate region-specific masks. Radiomics features are then ex
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: Predictive models hold significant potential in healthcare, but their adoption in clinical settings is hampered by limited trust due to their inability to recognize when presented with unfamiliar data. Estimating knowledge uncertainty (KU) can mitigate this issue. This study aims to assess the capabilities of two targeted approaches, specifically Ensemble Neural Networks (ENN) and Spectral Normalized Neural Gaussian Processes (SNGP), in quantifying KU and detecting out-of-distribution (OoD) data within the context of delirium risk prediction.
METHODOLOGY: Using a cohort of hospi
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 study investigates large language models for delirium detection from nursing reports, comparing keyword matching, prompting, and finetuning. Using a manually labelled dataset from the University Hospital Freiburg, Germany, we tested Llama3 and Phi3 models. Both prompting and finetuning were effective, with finetuning Phi3 (3.8B) achieving the highest accuracy (90.24%) and AUROC (96.07%), significantly outperforming other methods.
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: To summarize and evaluate the methodological quality of primary studies focusing on the use of machine or deep learning- based prediction models for delirium in ICU patients.
METHODS: A systematic review was conducted to identify relevant studies using six electronic databases. The Prediction Model Risk of Bias Assessment Tool (PROBAST) was used for appraising the quality of included studies.
RESULTS: Eleven studies published between 2018 and 2024 met the inclusion criteria, with most published after 2021. The majority used retrospective designs and sample sizes varied widely (140-4
СтатьяСистематический обзорПоддержка 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.
Chronic Kidney Disease (CKD) is a prevalent and progressive condition that can lead to end-stage renal disease (ESRD) if left unmanaged. Accurate prediction of CKD progression, particularly in patients with CKD stages 3-5, is essential for early intervention and personalized treatment. This study utilized machine learning (ML) models to predict declines in estimated glomerular filtration rate (eGFR) over one year. The models, including LGBM and Random Forest, were trained on a large cohort of CKD patients from the Taipei Medical University Clinical Research Database (TMUCRD). LightGBM emerged
СтатьяМногоцентровое 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.
The primary objective of this study is to assess whether a Bayesian network model can retain its predictive power when applied to a different dataset. We implemented a published Bayesian network for predicting sepsis-related mortality and tested it on a dataset distinct from that used to develop the network. In predicting 5-day mortality, our observed performance metrics were slightly lower (AUC = 0.80) than the published values (AUC = 0.85). The model handled missing data effectively, achieving a sensitivity of 0.71 and a ROC AUC of 0.74. The study high-lights the potential in using Bayesian
СтатьяВалидационное 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.
This study adapts BERT for vital sign time-series analysis in sepsis detection. Using MIMIC-III data, our model's embeddings reveal patient clusters that partition septic from non-septic cases while capturing physiological complexity through diagnosis count distributions. The BERT-based classifier achieves robust performance in both Precision-Recall Area Under Curve (PR AUC), measuring precision maintenance across recall thresholds, and Receiver Operating Characteristic Area Under Curve (ROC AUC), quantifying septic/non-septic case discrimination. Unsupervised learning reveals patient subgroup
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.
Healthcare-associated infections (HAI) are a significant burden to patients, hospitals, health systems and society. Infection prevention and control measures are well established and evidence-based, however, no detailed risk assessment is included aiming at personalized IPC measures. In preparation of an individual risk assessment application for decision support for hospital-onset bloodstream infections (HOBSI), we present initial findings of re-analyses of a dataset including 4290 patients from a large study. We applied logistic regression modeling and a random forest approach to identify ca
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 explored the potential of LLMs, such as ClinicalBERT and GPT-4, to identify potential diagnoses using early clinical notes from the MIMIC-III dataset. We compared these models across four conditions: circulatory system diseases, respiratory system diseases, septicemia, and pneumonia. ClinicalBERT consistently outperformed the GPT models, with its highest F1-score of 0.952 for respiratory system diseases. The GPT models, while showing high recall, had lower precision, with the highest F1-score of 0.784 achieved by the GPT binary voting method. ClinicalBERT demonstrated strong precisi
СтатьяСравнительное 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.
This paper presents a scalable, serverless machine learning operations (ML Ops) architecture for near real-time sepsis detection in Emergency Department (ED) waiting rooms. Built on Amazon Web Services (AWS) cloud environment, the system processes HL7 messages via MuleSoft, using Lambda for data handling, and SageMaker for model deployment. Data is stored in Aurora PostgreSQL and visualized in on-premise Tableau™. With 99.7% of HL7 messages successfully processed, the system shows strong performance, though occasional downtime, code set mismatches, and peak execution times reveal areas for opt
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 screening of mild cognitive impairment (MCI) in older populations is crucial for timely intervention. MCI often precedes dementia, but current diagnostic tools are time-consuming and not widely accessible. Utilizing basic physical examination data may enable earlier, more practical screening.
METHODS: Data from the China Health and Retirement Longitudinal Study (CHARLS) 2015 were used to develop the model. Two external datasets from CHARLS 2011 and Yiwu 2021 cohorts were used for validation. A total of 34 variables were considered, including demographics, health conditions,
СтатьяВалидационное исследованиеПоддержка 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.
This research created an XGBoost model to predict postoperative delirium in neurosurgical patients, addressing data imbalance through various sampling methods. Utilizing data from 2017-2023, the study found the SMOTETomek under-over sampling technique yielded the best performance, with an AUROC of 0.97. Significant risk factors identified include preoperative hospital stay, ICU admission, multiple diagnoses, fall risk, and prior neurological procedures. This model facilitates early detection and tailored prevention for patients at high risk of postoperative delirium.
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.
Coronary heart disease is one of the leading causes of global death. Early detection and accurate risk assessment are critical for improving patient health and reducing fatality rates. Recently, machine learning has emerged as a powerful approach for predicting heart disease by analyzing clinical data, which enables timely intervention and personalized treatment. Hence, this study aims to propose a reliable model for predicting coronary heart disease that integrates multi-source heart disease data with various machine learning models. This study employs heart disease datasets from four separat
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: Artificial intelligence (AI) holds promise for predicting sepsis. However, challenges remain in integrating AI, natural language processing (NLP) and free text data to enhance sepsis diagnosis at emergency department (ED) triage. This study aimed to evaluate the effectiveness of AI in improving sepsis diagnosis.
METHODS: This retrospective cohort study analysed data from 134 266 patients admitted to the ED and subsequently hospitalised between 1 January 2016 and 31 December 2021. The data set comprised 10 variables and free-text triage comments, which underwent tokenisation and pro
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.
Net benefit is the most widely used metric for evaluating the clinical utility of medical prediction models. The approach applies decision analytic theory to weight true and false positives depending on the relative consequences of different decision outcomes. It is plausible that there are at least some machine learning scenarios where optimization of the objective function during model development will not optimize net benefit during model evaluation. We therefore hypothesize that optimizing net benefit during model development will in some cases ultimately lead to higher clinical utility th
СтатьяПоддержка исследования: вне правительства СШАПоддержка NIH: внешняя программаПоиск 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: Falls and pressure ulcers are serious complications impacting care quality in nursing homes. Sensor technologies can help prevent these adverse events through continuous monitoring and timely intervention. This scoping review, following JBI guidelines, evaluated the effects of sensor-based fall and pressure ulcer prevention in long-term care and the experiences of patients and healthcare professionals.
METHODS: The review included primary studies, reviews, and protocols published from 2014 to 2023. Screening, data extraction, and quality appraisal were conducted independently by two
СтатьяScoping ReviewПоддержка 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.
MedElevator
Войти в исследования