BACKGROUND: Family caregivers of stroke survivors frequently experience psychological distress. Social support and active coping may be protective, but their associations can vary across levels of caregiving load. Interpretable machine learning may help characterize such nonlinear patterns without assuming a constant linear association.
METHODS: This multicenter cross-sectional study included 506 family caregivers. High psychological distress was defined as a Hospital Anxiety and Depression Scale (HADS) total score ≥15. We trained a machine-learning model using extreme gradient boosting (XGBo
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 aimed to develop machine learning (ML)-based models for the early prediction of macrosomia using only maternal sociodemographic and obstetric data. Methods: This retrospective study included 100 pregnant women who delivered at the Obstetric Clinic of Eskisehir City Hospital between January 2022 and December 2023. Participants were classified as nulliparous (n = 48) or parous (n = 52) and further categorized according to the presence or absence of fetal macrosomia (birth weight > 4000 g). Predictor variables included maternal age, body mass index (BMI), gravida, smoking st
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.
Zhonghua lao dong wei sheng zhi ye bing za zhi = Zhonghua laodong weisheng zhiyebing zazhi = Chinese journal of industrial hygiene and occupational diseases2026chi
Objective: To develop an interpretable machine learning model to predict the risk of respiratory failure in patients with pneumoconiosis. Methods: In February 2025, based on the retrospective West China Occupational Pneumoconiosis Cohort, 1367 hospitalized pneumoconiosis patients in West China Fourth Hospital of Sichuan University from January 1, 2012 to November 30, 2021 were selected as the research objects. Predictive variables were selected using least absolute shrinkage and selection operator (LASSO) -Cox regression. Four machine learning models, including random survival forest model (RS
Аннотация на английскомСтатьяПоиск 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.
INTRODUCTION: Bacteremia, a common disease but difficult to diagnose early, may result in significant morbidity and mortality without prompt treatment. We aimed to develop machine-learning (ML) algorithms to predict patients with bacteremia from febrile patients presenting to the emergency department (ED) using data that is readily available at the triage.
METHODS: We included all adult patients (≥18 years of age) who presented to the emergency department (ED) of National Taiwan University Hospital (NTUH), a tertiary teaching hospital in Taiwan, with the chief complaint of fever or measured 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.
Paroxysmal atrial fibrillation (AF) is generally diagnosed by long-term dynamic electrocardiogram (ECG) monitoring. Identifying AF episodes from long-term ECG data can place a heavy burden on clinicians. Many machine-learning-based automatic AF detection methods have been proposed to solve this issue. However, these methods require numerous annotated data to train the model, and the annotation of AF in long-term ECG is extremely time-consuming. Reducing the demand for labeled data can effectively improve the clinical practicability of automatic AF detection methods. In this study, we developed
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.
Spin-orbit coupling (SOC) induces state mixing and distortions in potential energy curves (PECs), complicating their construction and interpretation for diatomic molecules. We introduce a fully automated machine-learning framework for reconstructing physically consistent SOC-resolved PECs across independent electronic-structure calculations with different basis-set representations. The approach combines generative data augmentation using a conditional Wasserstein Generative Adversarial Network with gradient penalty (cWGAN-GP) with supervised regression models (Ridge Regression, Gradient Boosti
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.
The fast evolution of underwater and underground Internet of Things (IoT) infrastructures has generated an urgent urgency to have precise, power-efficient, and real-time object detection systems that can be functioning within the extreme seawater conditions. The current solutions are characterized by noise, poor feature discrimination, and high cost of computation. Inspired by recent developments in the machine learning-driven localization, trustworthy routing in underwater wireless sensor networks, and contemporary sonar-based estimation methods, the presented work proposes a new Ensembled De
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: Heart failure (HF) combined with hypertension is an extremely important cause of in-hospital mortality, especially for the intensive care unit (ICU) patients. However, under intense working pressure, the medical staff are easily overwhelmed by the large number of clinical signals generated in the ICU, which may lead to treatment delay, sub-optimal care, or even wrong clinical decisions. Individual risk stratification is an essential strategy for managing ICU patients with HF combined with hypertension. Artificial intelligence, especially machine learning (ML), can develop superior
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: Psoriasis vulgaris (PsV) and psoriatic arthritis (PsA) are complex, multifactorial diseases significantly impacting health and quality of life. Predicting treatment response and disease progression is crucial for optimizing therapeutic interventions, yet challenging. Automated machine learning (AutoML) technology shows promise for rapidly creating accurate predictive models based on patient features and treatment data.
OBJECTIVE: This study aims to develop highly accurate machine learning (ML) models using AutoML to address key clinical questions for PsV and PsA patients, includin
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: Although prior research has indicated that nutritional and inflammatory markers may play a role in prostate cancer development, the exact interplay and underlying mechanisms are not yet fully understood.
MATERIALS AND METHODS: The study population comprised 16,481 males from the NHANES database, after excluding participants with missing covariates. The Neutrophil Percentage-to-Albumin Ratio (NPAR) was used to assess the inflammation and nutritional status. Statistical methods such as multivariable logistic regression, eXtreme Gradient Boosting model, subgroup analysis, and General
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: Early mortality after long-term care facility (LTCF) admission is common; yet, prognostic tools are often derived from Western minimum dataset-based cohorts or require hospital electronic health record linkages that are unavailable at intake in many LTCFs. There is also limited evidence on explainable, admission-feasible machine learning-based prognostication in Asian LTCF settings.
OBJECTIVE: The aim of the study is to develop and temporally externally validate an interpretable machine learning model for predicting 6-month all-cause mortality among older adults newly admitted to
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.
BACKGROUND: Stillbirth at term is a major public-health concern. In high-income settings, the most commonly identifiable causes are unrecognised fetal growth restriction (about 14%) and placental abruption (about 12%), but 20 to 40% of term stillbirths remain unexplained. Whether modern machine learning can substantively improve prediction over established clinical risk-factor models is unresolved.
OBJECTIVE: To evaluate the predictive performance of three machine-learning models, elastic-net logistic regression, random forest, and extreme gradient boosting, for stillbirth at term in a popula
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.
INTRODUCTION: Out-of-hospital cardiac arrest (OHCA) is a major health concern. Roughly 300,000 cases occur annually in Europe; overall survival is 11%. Given the disease burden and increasingly extreme temperatures due to climate change, we investigated the association between air temperature and risk of OHCA in Sweden.
METHODS: This study employed a time-stratified case-crossover design to examine the relationship between daily mean air temperature and OHCA cases from the Swedish Registry for Cardiopulmonary Resuscitation between 2010 and 2019. Using a machine learning model, mean temperatur
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: Friedreich ataxia (FRDA) results in progressive impairment in gait, upper extremity coordination, and speech. Currently, these symptoms are assessed through expert examination at clinical visits. Such in-clinic assessments are time-consuming, subjective, of limited sensitivity, and provide only a limited perspective of the daily disability of patients.
METHODS: In this study, we recruited 39 FRDA patients and remotely monitored their physical activity and upper extremity function using a set of wearable sensors for 7 consecutive days. We compared the sensor-derived metrics of lowe
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.
INTRODUCTION: Previous studies have identified lesions commonly found in placentas associated with stillbirth but have not distinguished across a range of gestational ages (GAs). The objective of this study was to identify lesions associated with stillbirths at different GAs by adapting methods from the chemical machine learning field to assign lesion importance based on correlation with GA.
METHODS: Placentas from the Stillbirth Collaborative Research Network were examined according to standard protocols. GAs at stillbirth were categorized as: <28 weeks (extreme preterm stillbirth [PTSB]), 2
СтатьяПоддержка NIH: внешняя программаПолный 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: The aim: The overarching theme of this paper is to discuss implementation of the telemedicine technology for rehabilitation of patients with injuries of the lower extremities.
PATIENTS AND METHODS: Materials and methods: Consecutive patients were recruited over a four-year period. A total of 48 polytrauma patients with lower extremity injuries were enrolled in the study after the resolution of the surgical sequelae. 16 patients from the control group underwent traditional rehabilitation procedures for a 3-week period after injury. A total of 32 subjects were enrolled in the telereh
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: Sepsis-associated liver injury (SALI) is a severe complication of sepsis that contributes to increased mortality and morbidity. Early identification of SALI can improve patient outcomes; however, sepsis heterogeneity makes timely diagnosis challenging. Traditional diagnostic tools are often limited, and machine learning techniques offer promising solutions for predicting adverse outcomes in patients with sepsis.
OBJECTIVE: This study aims to develop an explainable machine learning model, incorporating stacking techniques, to predict the occurrence of liver injury in patients with
СтатьяМногоцентровое исследованиеВалидационное 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: This study aims to develop a machine learning-based predictive model for patients with endometriosis, with the goal of precisely identifying key factors and reliable predictive markers that influence live birth outcomes following fresh embryo transfer. Through systematic evaluation of multiple algorithms, efforts will be made to identify the optimal model for elucidating high-risk factors affecting live birth, thereby providing a basis for formulating targeted interventions to enhance the live birth rate in this population undergoing in vitro fertilization/intracytoplasmic sperm inj
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: Factors contributing to the development of hypertension exhibit significant variations across countries and regions. Our objective was to predict individuals at risk of developing hypertension within a 5-year period in a rural Middle Eastern area.
METHODS: This longitudinal study utilized data from the Fasa Adults Cohort Study (FACS). The study initially included 10,118 participants aged 35-70 years in rural districts of Fasa, Iran, with a follow-up of 3,000 participants after 5 years using random sampling. A total of 160 variables were included in the machine learning (ML) models
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 construct a machine-learning-based prediction model for in-hospital major adverse cardiovascular events (MACE) among patients with ST-elevation myocardial infarction (STEMI) after emergency percutaneous coronary intervention (PCI). Methods: A total of 5829 patients with STEMI who underwent emergency PCI at the Emergency Critical Care Center of Beijing Anzhen Hospital, Capital Medical University, from January 1, 2015, to July 1, 2025, were enrolled. Patients were divided into the MACE group (524 cases) and the non-MACE group (5 305 cases) according to the occurrence of in-hospital
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.
MedElevator
Войти в исследования