Optimal cancer prognostication combines multimodal data including biopsy results, CT scan, patient characteristics, and clinical trajectory thus far. However, many patients do not have all modalities of data available, so requiring physicians to have all patient data modalities to use an AI prediction algorithm limits the tool’s clinical utility. To increase the clinical potential of these AI algorithms, Ruffini et al. developed a “missing data aware” survival prediction approach that is able to handle inputs with missing data for risk stratification in non-small cell lung cancer patients.
Редакционная 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: Prognosis prediction for high-risk patients undergoing invasive coronary angiography (ICA) is crucial for clinical decision-making. Despite machine learning (ML) advancements, time-to-event survival prediction remains limited.
OBJECTIVES: This study developed an ensemble ML model based on survival analysis to predict long-term outcomes in ICA patients.
METHODS: A total of 9517 ICA patients (2008-2020) were retrospectively analyzed. The primary outcome was all-cause mortality, with follow-up until December 31, 2021. Using 8 ML algorithms, we developed a model comprising 80 variabl
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.
Postoperative delirium (POD) is associated with increased complication and mortality rates, particularly among older adult patients. However, guideline recommendations for POD detection and management are poorly implemented. Fast-and-frugal trees (FFTrees), which are simple prediction algorithms, may be useful in this context. We compared the capacity of simple FFTrees with two more complex models-namely, unconstrained classification trees (UDTs) and logistic regression (LogReg)-for the prediction of POD among older surgical patients in the perioperative setting. Models were trained and tested…
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: A variety of emerging medical imaging technologies based on artificial intelligence have been widely applied in many diseases, but they are still limitedly used in the cerebrovascular field even though the diseases can lead to catastrophic consequences.
OBJECTIVE: This work aims to discuss the current challenges and future directions of artificial intelligence technology in cerebrovascular diseases through reviewing the existing literature related to applications in terms of computer-aided detection, prediction and treatment of cerebrovascular diseases.
METHODS: Based on artifici
СтатьяОбзорПоиск 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.
Knee osteoarthritis (KOA) is one of the worst varieties of arthritis. If not treated right away, it might lead to knee replacement. For this reason, early KOA detection is crucial for optimal therapy. This work tested and improved deep learning (DL) algorithms for predicting and identifying KOA. The suggested approach was evaluated utilizing an available dataset that included preprocessing approaches such as scaling and normalization. The Google-BER-LSTM hybrid model was explicitly designed to improve classification accuracy. The proposed binary optimization approach and other comparable metho
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.
Thalassemia is a hereditary blood disorder characterized by abnormal hemoglobin production. Common diagnostic methods include complete blood count, high-performance liquid chromatography, and hemoglobin electrophoresis. While physicians make the final diagnosis, advancements in artificial intelligence, specifically machine learning (ML) and deep learning, offer significant potential as auxiliary tools and decision support systems to reduce diagnostic errors. This study investigates ML algorithms for classifying thalassemia and its subtypes, including alpha (α) thalassemia and beta (β) thalasse
СтатьяСравнительное исследованиеПоиск 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: Bronchiolitis is a leading cause of hospitalization in infants, yet early and accurate risk prediction remains a clinical challenge. Traditional models often lack the complexity to capture nonlinear interactions or the transparency required for clinical trust.
OBJECTIVE: This multicenter study aimed to develop, validate, and interpret machine learning (ML) models for predicting bronchiolitis risk in children under two years of age using clinical and socioeconomic determinants.
METHODS: In this retrospective study, data from 1,260 children (529 with bronchiolitis and 731 without)
СтатьяМногоцентровое 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.
Student stress prediction requires models that are both accurate and interpretable. This study proposes GRPF-PPN, a Gated Residual Prototype-Fusion Psycho-Prototypical Network for classifying student stress from psychometric tabular data. The model combines feature-wise gating, residual representation learning, class-associated prototypes, and neural-prototype fusion to provide both discriminative predictions and case-comparison evidence. Across 10 repeated stratified splits of the main Student Stress dataset, GRPF-PPN achieved an accuracy of 0.929 ± 0.012, a Macro-F1 of 0.932 ± 0.013, a balan
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.
Precise power prediction for photovoltaic (PV) clusters is more conducive to resource optimization and scheduling compared to single-site prediction. This paper proposes a novel stacked recurrent broad learning system (Stack-RBLS) for PV cluster power prediction, specifically designed for resource-constrained training devices. The proposed scheme simultaneously reduces training time and improves prediction accuracy. Specifically, firstly an improved data cleaning method with linear time complexity using sliding time window (STW)-based isolation forest algorithm and k-nearest neighbors (IFA-KNN
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: The use of ensemble learning has been crucial for improving predictive accuracy in healthcare, especially with regard to critical diagnostic and classification problems. Ensemble models combine the strengths of multiple ML models and reduce the risk of misclassification, which is important in healthcare, where accurate predictions impact patient outcomes.
METHODS: This study introduces the Gradient-Based Weight Optimized Ensemble Model (GBWOEM), an advanced ensemble technique that optimizes the weights of five base models: Decision Tree Classifier (DTC), Random Forest Classifier (
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.
Uncertainty quantification is crucially important for small-molecule machine learning (ML) models. For companies and regulatory bodies that rely on ML models to inform high-cost and high-risk decisions, accurate uncertainty quantification can reveal whether a given prediction is trustworthy. Existing methods for uncertainty quantification have been shown to be less reliable outside of a model's applicability domain. We have developed a novel approach to uncertainty quantification called domain classification (DC) modeling, which combines results from three independent binary classification mod
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.
The need to find a more sustainable and environment friendly biofuel has driven a lot of experimental studies in past few decades. But, the cost of physical testing and resource constraint has limited the capability to find better and low emission fuels. This study aims to bridge this gap by developing an artificial neural networks (ANNs) model that can predict the emission (i.e., nitrogen oxide (NOx), carbon oxides (COx), hydrocarbons (HC)) of biodiesel and its blends based on the composition of feedstock and its additives, physiochemical properties and engine working conditions. The ANN mode
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: Spinal cord injury (SCI) causes substantial disability by disrupting spinal pathways, making functional independence a central rehabilitation goal. In 2024, approximately 15.4 million people worldwide were living with SCI. Despite its clinical relevance, traditional prognostic tools, notably the International Standards for Neurological Classification of Spinal Cord Injury (ISNCSCI), have limitations. Furthermore, access to advanced diagnostics constrains prediction. Existing models often fail to estimate independence, limiting goal setting and resource planning.
OBJECTIVE: This st
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.
Porous polymers, particularly polymers of intrinsic microporosity (PIMs), combine high surface areas with tunable functionalities, positioning them as promising materials for post-combustion CO2 capture technologies. A key physical parameter of these materials is the isosteric heat of adsorption (Qst), which quantifies the interaction strength between CO2 molecules and the polymer framework. In this work, we demonstrate that data-driven models constructed from computationally determined physicochemical descriptors can accurately predict Qst at room temperature using a modestly sized dataset of
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.
In Mild Cognitive Impairment (MCI), identifying a high risk of conversion to Alzheimer's Disease Dementia (AD) is a primary goal for patient management. Machine Learning (ML) algorithms are widely employed to pursue data-driven diagnostic and prognostic goals. An agreement on the stability of these algorithms -when applied to different biomarkers and other conditions- is far from being reached. In this study, we compared the different prognostic performances of three supervised ML algorithms fed with multimodal biomarkers of MCI subjects obtained from the Alzheimer's Disease Neuroimaging Initi
СтатьяПоддержка исследования: вне правительства СШАПоддержка NIH: внешняя программаПоддержка 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 OBJECTIVES: Malaria is a global health issue, causing over two million deaths annually. The development of new and potent antimalarial drugs is essential to combat the disease. Machine learning has been increasingly applied to predict antimalarial activity of compounds, offering a promising approach for antimalarial pharmaceutical research. This study aims to predict the antimalarial activity of potential compounds using weighted atomic vectors and machine learning algorithms.
METHODS: The research employs several machine learning algorithms, such as Decision Tree, Bagging Regresso
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.
Tree-based machine learning (ML) algorithms, such as Extra Trees (ET), Random Forest (RF), Gradient Boosting Machine (GBM), and XGBoost (XGB) are among the most widely used in early drug discovery, given their versatility and performance. However, models based on these algorithms often suffer from misclassification and reduced interpretability issues, which limit their applicability in practice. To address these challenges, several approaches have been proposed, including the use of SHapley Additive Explanations (SHAP). While SHAP values are commonly used to elucidate the importance of feature
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: Differentiating wide complex tachycardias (WCTs) into ventricular tachycardia (VT) and supraventricular wide tachycardia via 12-lead ECG interpretation is a crucial but difficult task. Automated algorithms show promise as alternatives to manual ECG interpretation, but direct comparison of their diagnostic performance has not been undertaken.
METHODS: Two electrophysiologists applied 3 manual WCT differentiation approaches (ie, Brugada, Vereckei aVR, and VT score). Simultaneously, computerized data from paired WCT and baseline ECGs were processed by 5 automated WCT differentiation
СтатьяСравнительное 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.
BACKGROUND: Multidrug-resistant organism (MDRO) infections pose a significant global health threat, particularly in intensive care units (ICUs), where delayed identification exacerbates clinical outcomes. Although machine learning (ML) holds promise for infection prediction, the opaque nature of complex algorithms impedes clinical adoption. This study evaluated an interpretable machine learning model incorporating SHapley Additive exPlanations (SHAP) to predict MDRO infections in ICU patients.
METHODS: A retrospective cohort study was conducted on 888 ICU patients (2020-2022) from a tertiary
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: Deep sternal wound infection following surgical myocardial revascularization is a potentially devastating complication. This study aims to improve risk prediction of deep sternal wound infection with machine learning algorithms.
METHODS: This single-center retrospective study contains data from 5221 consecutive patients who underwent surgical myocardial revascularization between 2007 and 2022. Two machine learning algorithms (Extreme Gradient Boosting and Deep Neural Network) were trained with perioperative parameters and validated to detect deep sternal wound infection. Their pre
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.
MedElevator
Войти в исследования