BACKGROUND: Sepsis complicated by acute respiratory failure (ARF) is a common and severe condition among patients admitted to the intensive care unit (ICU), associated with high mortality. Accurate prediction of short-term outcomes is crucial for optimizing clinical decisions and treatment strategies. Therefore, we aimed to develop and validate an interpretable machine learning (ML) model to predict the 28-day mortality risk in ICU patients with sepsis complicated by ARF.
METHODS: This retrospective study included ICU patients with sepsis complicated by ARF from the Medical Information Mart f
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: Interbody cage subsidence is a common complication after instrumented posterior lumbar fusion surgery, several previous studies have shown that cage subsidence is related to multiple factors. But the current research has not combined these factors to predict the subsidence, there is a lack of an individualized and comprehensive evaluation of the risk of cage subsidence following the surgery. So we attempt to identify potential risk factors and develop a risk prediction model that can predict the possibility of subsidence by providing a Cage Subsidence Score (CSS) after surgery, and
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.
Antimicrobial resistance has become a major global health challenge, creating an urgent need for novel anti-infective molecules. Antimicrobial peptides (AMPs) constitute a promising alternative to conventional antibiotics because of their broad-spectrum antimicrobial activity and immunomodulatory properties. Despite the remarkable diversity of protozoa, very few protozoan AMPs have been experimentally identified. Here, we employed the deep learning algorithm AMPlify to systematically screen the proteomes of Blastocystis hominis, Trypanosoma cruzi, Leishmania major, Toxoplasma gondii, and Entam
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 ability to predict phenotypes from genotypes in multicellular organisms remains limited despite rapid advances in genotyping and phenotyping methods. Machine learning offers a promising way to model phenotype from genotype but requires sizable datasets that quantitatively link phenotype to specific genes. Such datasets remain limited; however, maize pollen provides a unique biological system that is especially well suited for this challenge. Because maize pollen is haploid, mutations that affect its function can result in a quantitative phenotypic effect on pollen fitness, measurable as de
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.
Survival prognosis is crucial for medical informatics. Practitioners often confront small-sized clinical data, especially cancer patient cases, which can be insufficient to induce useful patterns for survival predictions. This study deals with small sample survival analysis by leveraging transfer learning, a useful machine learning technique that can enhance the target analysis with related knowledge pre-learned from other data. We propose and develop various transfer learning methods designed for common survival models. For parametric models such as DeepSurv, Cox-CC (Cox-based neural networks
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.
Postoperative pulmonary infection (PPI) after esophageal cancer surgery occurs frequently and severely impairs patients' prognosis. Most existing prediction models cannot realize staged classification of risk factors, which limits targeted risk identification and intervention. Based on machine learning algorithms, this study integrates preoperative baseline characteristics and perioperative indicators to construct a preoperative-perioperative two-stage risk prediction model for postoperative pulmonary infection. Clinical data of 2 200 patients undergoing esophageal cancer surgery admitted to t
Аннотация на английскомСтатьяПолный 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: The development of atrial fibrillation (AF) during hospitalization for acute myocardial infarction (AMI) is common and associated with worse prognosis. We aimed to train and, for the first time, cross-nationally validate a machine learning model to predict AF developing during the cardiac intensive care unit (CICU) stay in post-AMI patients admitted in sinus rhythm, using only routine, non-electrocardiographic clinical parameters available at CICU admission.
METHODS: We developed and tested classification pipelines on two independent cohorts of post-AMI patients from Italy (ITA, S
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.
PURPOSE: Accurate pre-operative risk prediction in emergency laparotomy (EL) is essential for appropriate resource allocation and improve patient outcomes. This study aimed to establish the accuracy of an artificial intelligence (AI) model in predicting 30-day mortality after EL using a national dataset.
METHODS: Data was extracted from the Australian and New Zealand Emergency Laparotomy Audit-Quality Improvement (ANZELA-QI) database from 1 July 2018 to 24 July 2023. AI models were created employing multilayer perceptron (MLP) and radial basis function (RBF) architectures. Extended AI models
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: This study aimed to systematically compare the predictive performance and methodological quality of logistic regression (LR) and machine learning (ML) models for intravenous immunoglobulin (IVIG) resistance in Kawasaki disease (KD) using the PROBAST + AI framework.
METHODS: We searched PubMed, Embase, and Web of Science to identify studies on prediction models for IVIG resistance in KD published between January 1, 2006, and July 31, 2025. We assessed methodological rigour, risk of bias, and applicability using PROBAST + AI. A meta-analysis was performed using random-effects models
Сравнительное исследованиеСтатьяМетаанализПоиск 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: In this we study aimed to develop and validate a dynamic prediction model for acute kidney injury (AKI) in heart failure (HF) patients.
METHODS: Using data from 7636 HF patients in the Medical Information Mart for Intensive Care IV (MIMIC-IV) version 3.1 database, we constructed a long short-term memory model with dynamic focal loss to handle class imbalance. We designed 2 prediction perspectives: for short-term prediction w used different data collection windows (6-72 hours) to dynamically predict the risk of AKI occurrence within subsequent specific time windows (12-72 hours); f
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.
Major Depressive Disorder (MDD) is one of the most prevalent psychological disorders and frequently co-occurs with alcohol use disorders, increasing the risk of functional impairment. Monitoring alcohol use during depression treatment is therefore critical for early intervention. Passively collected data via devices like smartphones and smartwatches, offers a low-burden method for monitoring behavior in real time. This study investigated whether deep learning models trained on passively collected data (i.e., accelerometer, heart rate, respiratory rate, screen usage, and GPS data) could detect
СтатьяВалидационное 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.
UNLABELLED: Gestational diabetes mellitus (GDM) affects almost 10%-12% of pregnancies worldwide, threatening maternal and fetal life. Continuous glucose monitoring (CGM) forms the backbone of managing GDM, and the current methodologies largely disregard physiological and behavioral factors, thereby greatly reducing accuracy and clinical interpretability.
METHODS: A hybrid deep learning framework was developed by fusing CGM with multi-sensing modality data, including heart rate, activity levels, sleep patterns, and dietary intake. For data preprocessing, Kalman filtering was applied for tempor
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.
BACKGROUND: The study aimed to evaluate the use decision support analysis for the prediction of extracorporeal shock wave lithotripsy (ESWL) efficacy and to analyze the factors influencing outcomes in patients who underwent ESWL using machine learning (ML) methods.
METHODS: This retrospective study analyzed the clinical data, including preoperative computed tomography (CT) images, of 302 patients who received a single ESWL session treatment for urinary stone between May and October 2022 in the Department of Urology. The data was preprocessed and incorporated into an ML model, and the dataset
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: This study aimed to develop and validate an artificial intelligence (AI) predictive model for postoperative stone-free status (SFS) specifically in patients undergoing mini-percutaneous nephrolithotomy without retrograde insertion of a ureteral catheter (mPCNL-nRUC).
METHODS: This single-center prospective observational study included 181 patients with upper urinary tract stones who underwent mPCNL-nRUC between March 2019 and March 2025. Preoperative clinical, laboratory, and imaging data were collected. Five machine learning (ML) algorithms were employed to construct SFS prediction
СтатьяНаблюдательное 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.
Heavy metal contamination in riverine and coastal sediments is a persistent environmental challenge. This study assesses eight trace metals (Cd, Cr, Cu, Fe, Mn, Ni, Pb, Zn) in surface sediments collected annually from 2000 to 2025 at four monitoring sites in the Tangier-Tetouan coastal corridor, Morocco: Oued Moghogha, Oued Negro, Oued Souani, and Rejet Fnideq. The analytical framework combines descriptive statistics, non-parametric trend analysis (Mann-Kendall, Theil-Sen), inter-metal correlation, principal component analysis (PCA), hierarchical cluster analysis (HCA), and multi-model forecas
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.
Skeletal fluorosis (SF) is a chronic metabolic bone disease resulting from long-term excessive fluoride exposure, affecting millions worldwide. Conventional diagnosis relies on radiographic evidence, which often detects the disease only at advanced stages, limiting opportunities for early intervention and prevention. A predictive model was developed to assess the severity of SF using comprehensive predictors, including demographic, environmental, and biomonitoring data, from 1,309 individuals across three major fluoride-endemic regions in China, representing coal-burning, drinking-water, and b
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: Biliary atresia (BA), a rare but life-threatening neonatal cholestatic disorder, necessitates Kasai portoenterostomy (KPE) as the primary surgical intervention. However, despite timely KPE within the recommended 60-day window, approximately 60% of infants ultimately require liver transplantation before age 2. Current prognostic tools lack the capacity to predict long-term native liver survival (NLS) using early perioperative biomarkers.
METHODS: The study subjects were BA patients treated by a senior KPE surgeon at our center (93 cases) and another senior KPE surgeon at Jiangxi Ch
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) is increasingly used for hospital demand forecasting, but few published studies report multiple-comparison-corrected statistical tests against competitive baselines, and few characterise the structural-break context in which forecasts are evaluated.
OBJECTIVE: To audit seven AI/ML methods against statistical baselines on 15 years of NHS England activity data, with explicit attention to structural breaks and pandemic confounding.
METHODS: Monthly A&E activity (n = 189) and 52-quarter KH03 bed occupancy (2010-2026) were obtained from public NHS England release
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.
BACKGROUND: Early identification of mild cognitive impairment (MCI) is crucial for delaying the progression of dementia. However, existing prediction models often require expensive testing or invasive biomarkers, limiting their scalability in primary care settings.
METHODS: Data were drawn from three prospective cohorts: the Chinese Longitudinal Healthy Longevity Survey (CLHLS), the English Longitudinal Study of Ageing (ELSA), and the Health and Retirement Study (HRS). We included 11,069 participants aged ≥60 years who were free of cognitive impairment at baseline. Incident MCI was defined vi
СтатьяВалидационное 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.
ObjectiveSepsis-associated acute kidney injury (SA-AKI) is a major contributor to multi-organ failure and often leads to complications such as new-onset atrial fibrillation (NOAF). NOAF is associated with poorer outcomes, including increased mortality. However, current methods for predicting NOAF in patients with SA-AKI remain limited.MethodsThis retrospective cohort study used data from the MIMIC-IV database to identify 12,956 adult patients with SA-AKI, among whom 2,708 developed NOAF. Machine learning (ML) techniques, including Boruta feature selection and nine predictive algorithms, were a
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