Among the many challenges faced by healthcare systems, cancer remains one of the most urgent. This makes the application of artificial intelligence a critical tool for enhancing early detection and optimizing treatment strategies, especially given the growing volume of patient data being collected. In this study, machine learning models trained on data for a specific type of cancer were employed to predict three-year survival after diagnosis for other cancer types. Two groups were considered: the most frequent cancers and those related to the digestive system. The data were extracted from the
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.
Fatal traffic crashes are a rare yet catastrophically consequential event in real-world crash data, typically constituting less than 1% of total records. This extreme class imbalance poses a fundamental challenge for machine learning-based severity prediction, as standard algorithms tend to ignore the minority class in favor of maximizing overall accuracy. This study investigates whether modern deep tabular learning architectures (TabNet, FT-Transformer) offer consistent advantages over the traditional gradient boosting method XGBoost in predicting fatal crashes under conditions of extreme cla
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.
Cross-immunity, defined as the ability of T-cells to recognize multiple antigen peptide-major histocompatibility complexes, is a fundamental feature of adaptive immunity. However, the prediction of different peptide epitopes that can be recognized by the same T-cell receptor remains challenging. Currently, artificial intelligent (AI)-based machine learning (ML) methods can be successfully used for pattern recognition in epitope molecular space by detecting the functional similarity between peptide sequences. In this study, using literature-based experimental data, we examined ML-based binary c
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 CONTEXT: The increasing volume of free-text notes available in electronic health records has created an opportunity for natural language processing (NLP) algorithms to mine this unstructured data in order to detect and predict adverse outcomes. Given the volume and diversity of documentation available in spine surgery, it remains unclear which types of documentation offer the greatest value for prediction of adverse outcomes.
STUDY DESIGN/SETTING: Retrospective review of medical records at two academic and three community hospitals.
PURPOSE: The purpose of this study was to conduc
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: Sepsis remains a leading cause of mortality in intensive care units (ICUs) worldwide. Machine learning models for clinical prediction must be accurate, fair, transparent, and reliable to ensure that physicians feel confident in their decision-making processes. Methods: We used the MIMIC-IV (version 3.1) database to evaluate several machine learning architectures, including Logistic Regression, XGBoost, LightGBM, LSTM (Long Short-Term Memory) networks and Transformer models. We predicted three main clinical targets-hospital mortality, length of stay, and septic shock onset-using art
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.
Asthma is a chronic disease characterized by wheezing, chest tightening and difficulty in breathing due to inflammation of lung airways. Early risk prediction of asthma is crucial for proper and effective management. This study presents the use of machine learning approach for risk prediction of asthma by evaluating Raman spectral variations between asthmatic as well as healthy sera samples. Specifically, Raman spectra from 150 asthma and 52 healthy control blood sera samples were acquired. Spectral analyses illustrated significant spectral variations (p < 0.0001) in the asthmatic samples when
Сравнительное исследованиеСтатьяПоиск 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.
STUDY OBJECTIVE: The pharmacokinetics and pharmacodynamics of tacrolimus (TAC) vary greatly among individuals, hindering its precise utilization. Moreover, effective models for the early prediction of TAC efficacy in patients with nephrotic syndrome (NS) are lacking. We aimed to identify key factors affecting TAC efficacy and develop efficacy prediction models for childhood NS using machine learning algorithms.
DESIGN: This was an observational cohort study of patients with pediatric refractory NS.
SETTING: Guangzhou Women and Children's Medical Center between June 2013 and December 2018.
P
Наблюдательное исследованиеСтатьяПоддержка 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.
Epidemiological cohorts often collect self-reported oral health (SROH) questionnaires but lack clinical periodontal measurements. We developed a selective, explainable machine learning (ML) pipeline that can assign labels for severe periodontitis (SP) or no periodontitis (NP). Three datasets (n = 498) with SROH questionnaires, demographics, and Community Periodontal Index of Treatment Needs (CPITN) scores were used to derive NP, moderate periodontitis (MP), and SP categories. MP cases were excluded from model development. After cleaning and feature engineering, non-similar label duplicates wer
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.
Formulation features and test settings influence liposomal in vitro release (IVR) profiles, yet it is challenging to examine these multivariable associations across varied literature data. We created an explainable computational workflow in this proof-of-concept study for classifying liposomal release phenotypes and identify formulation/assay features linked to slow and fast release. Benchmarking kinetic models, simulating Weibull-parameterized release curves on a shared 0-168 h grid, clustering profiles using PCA and k-means, and training supervised classifiers on formulation and IVR descript
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.
Globally, Parkinson's disease (PD), a neurological disorder, has a negative influence on the health of older adults. PD has no validated means of treatment, and thus, affects both social (i.e., mental) and physical health among individuals who experience PD. Therefore, it is essential to develop new methods for detecting PD to benefit the health of everyone involved. There is an opportunity to improve PD detection and accuracy by leveraging structured data sources and employing machine learning (ML). Ultimately, the goal of this research work is to provide an overall descriptive ML approach to
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.
RNA structure is a key determinant of RNA function and regulation. The coupling of chemical probing technologies, such as SHAPE, with deep sequencing has enabled large-scale experimental characterization of RNA structures in complex samples and under diverse conditions. Furthermore, probing data are often used to guide thermodynamics-based secondary structure prediction algorithms and have been shown to improve their accuracy. However, current algorithms treat these single-nucleotide measurements as statistically independent signals, inherently overlooking short-range dependencies in the data.…
СтатьяПрепринтПоиск 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 AND HYPOTHESIS: Suicide attempt is a complex behavior influenced by a combination of factors including clinical, neurocognitive, and environmental. We aimed to leverage multimodal data collected during pre/early adolescence in research settings to predict self-report of suicide attempts by mid-late adolescence reported in pediatric settings. We hypothesized that different data types contribute to suicide attempt prediction and that clinical features would be most predictive of future suicide attempts.
STUDY DESIGN: We applied machine learning methods to clinical, neurocognitive, an
СтатьяПоддержка NIH: внешняя программаПоддержка 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: Infectious diseases remain a major cause of global morbidity and mortality, with machine learning (ML) emerging as a promising approach for risk prediction. However, the heterogeneity of ML applications across diseases, algorithms, and validation practices impedes evidence synthesis and identification of best practices.
OBJECTIVE: This scoping review aims to systematically map the application of ML algorithms for infectious disease risk prediction, describe disease targets, study populations, data sources, performance metrics, and identify methodological strengths, limitations, an
СтатьяОбзорПолный 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.
Prediction of outcomes in perioperative medicine is key to decision-making and various prediction models have been created to help quantify and communicate those risks to both patients and clinicians. Increasingly, machine learning (ML) is being favoured over more traditional techniques to improve prediction of outcomes, however, the studies are of varying quality. It is also not known whether any increase in predictive performance using ML algorithms transpires into a clinically meaningful benefit. This coupled with the difficulty in interrogating ML algorithms is a potential cause of concern
СтатьяОбзорПоддержка 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.
Although the cerebellum is typically associated with supervised learning algorithms, it also exhibits extensive involvement in reward processing. In this study, we investigated the cerebellum's role in executing reinforcement learning algorithms, with a particular emphasis on essential reward-prediction errors. We employed the Q-learning model to accurately reproduce the licking responses of mice in a Go/No-go auditory-discrimination task. This method enabled the calculation of reinforcement learning variables, such as reward, predicted reward, and reward-prediction errors in each learning tri
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.
BACKGROUND: Robust and accurate prediction of cardiovascular disease (CVD) risk facilitates early intervention to benefit patients. The intricate relationship between mental health disorders and CVD is widely recognized. However, existing models often overlook psychological factors, relying on a limited set of clinical and lifestyle parameters, or being developed on restricted population subsets.
OBJECTIVES: This study aims to assess the impact of integrating psychological data into a novel machine learning (ML) approach on enhancing CVD prediction performance.
METHODS: Using a comprehensive
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.
Probiotics are living microorganisms that provide health benefits to their hosts, potentially aiding in the treatment or prevention of vario … rtite graph focused on the relationship between probiotics and diseases. We applied customized link prediction algorithms for this bipartite network, including common neighbors, Jaccard coefficient, and Adamic/Adar ranking formulas. We evaluated the results using Area under the Curve (AUC) and precision metrics. Our analysis revealed that common neighbors outperformed …
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.
Prediction of outcomes following a prenatal diagnosis of congenital heart disease (CHD) is challenging. Machine learning (ML) algorithms may be used to reduce clinical uncertainty and improve prognostic accuracy. We performed a pilot study to train ML algorithms to predict postnatal outcomes based on clinical data. Specific objectives were to predict (1) in utero or neonatal death, (2) high-acuity neonatal care and (3) favorable outcomes. We included all fetuses with cardiac disease at Sunnybrook Health Sciences Centre, Toronto, Canada, from 2012 to 2021. Prediction models were created using 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.
SHapley Additive exPlanations (SHAP) analysis has been applied in disease diagnosis and treatment effect evaluation. However, its application in the prediction and diagnosis of dairy cow diseases remains limited. We investigated whether the variance and autocorrelation of deviations in daily activity, rumination time, and milk electrical conductivity, along with daily milk yield, could be used to predict clinical mastitis in dairy cows using popular machine learning (ML) algorithms and identifying key predictive features using SHAP analysis. Quantile regression (QR) with second- or third-order
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.
How can we identify stable patterns to accurately predict stock price movements amidst severe market noise? Predicting stock price movements is a crucial problem in financial data mining, and has attracted significant attention from researchers and financial institutions. Although there have been several works on learning patterns from quantitative data to predict stock prices, they encounter critical challenges from data uncertainty and model limitations. Data uncertainty arises in financial data because asset prices are determined by the market. Different participants hold distinct valuation
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.
MedElevator
Войти в исследования