Уникальные публикации PubMed, Europe PMC и Crossref, сохранённые в библиотеке. Одна статья учитывается один раз, даже если получена из нескольких источников. Личные исследования и документы команд не публикуются.
Идёт проверка счётчикаДоступно в поиске—
Публикации, уже подготовленные для быстрого поиска. Остальная библиотека подключается в фоне.
Переведено на русский—
Готовые переводы среди доступных в поиске публикаций. Автоматический медицинский перевод и проверка специалистом учитываются отдельно.
Полные тексты—
Найденные полные тексты среди доступных в поиске публикаций. Доступность определяется первоисточником и условиями использования.
Оригиналов на русском—
Русскоязычные оригиналы доступны без ожидания перевода. Ниже — языки остальных оригиналов; для них готовится медицинский перевод на русский.
Пополняем библиотеку по диагнозам—Проверяем состояние обновлений
Для каждого диагноза из справочника МКБ-10 ищем связанные публикации в научных базах и добавляем их в библиотеку. Числа ниже — диагнозы, а не статьи.
Если сбор прервался, тема требует повторной попытки. Уже сохранённые статьи остаются в библиотеке.
Нажмите на показатель для подробностей. Показатели поиска обновляются автоматически; размер всей библиотеки сверяется отдельно. Время последней проверки указано явно.
Результаты поиска
3972 публикаций
Поиск: 125 мс
Публикации на разных языках · PubMed, Europe PMC и данные издателей через Crossref · 666 с найденным полным текстом
OBJECTIVE: The objective was to establish a machine learning-based model for predicting the occurrence and mortality of nonpulmonary sepsis-associated ARDS.
METHODS: 80% of sepsis patients selected randomly from the MIMIC-IV database, without prior pulmonary conditions and with nonpulmonary infection sites, were used to construct prediction models through machine learning techniques (including K-nearest neighbour, extreme gradient boosting, support vector machine, deep neural network, and decision tree methods). The remaining 20% of patients were utilized to validate the model's accuracy. Add
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: Intensive care unit (ICU)-acquired weakness (ICUAW) is a prevalent complication in critically ill patients, marked by symmetrical respiratory and limb muscle weakness, which adversely affects long-term outcomes. Early identification of high-risk patients and prevention are essential to mitigate its impact. Traditional risk prediction models, based on cohort data, have limitations in addressing the complex, non-linear relationships among diverse risk factors due to patient heterogeneity and the dynamic nature of critical illness. Machine learning offers a promising alternative by in
СтатьяВалидационное исследованиеПолный 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: Machine learning offers new solutions for predicting life-threatening, unpredictable amiodarone-induced thyroid dysfunction. Traditional regression approaches for adverse-effect prediction without time-series consideration of features have yielded suboptimal predictions. Machine learning algorithms with multiple data sets at different time points may generate better performance in predicting adverse effects.
OBJECTIVE: We aimed to develop and validate machine learning models for forecasting individualized amiodarone-induced thyroid dysfunction risk and to optimize a machine learni
Многоцентровое 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.
PURPOSE: The number of elderly patients with trauma is increasing; therefore, precise models are necessary to estimate the mortality risk of elderly patients with trauma for informed clinical decision-making. This study aimed to develop machine learning based predictive models that predict 30-day mortality in severely injured elderly patients with trauma and to compare the predictive performance of various machine learning models.
METHODS: This study targeted patients aged ≥65 years with an Injury Severity Score of ≥15 who visited the regional trauma center at Chungbuk National University Hos
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: This systematic review analyzed machine learning (ML) techniques for predicting and classifying mortality in traumatic brain injury (TBI) victims.
METHODS: The PICOS (People, Intervention, Comparison, Outcome, Study) strategy was used for the research question. The included studies were indexed in the Virtual Health Library and the National Library of Medicine, written in English, Portuguese, or Spanish, and focused on TBI-related mortality. Exclusions comprised animal studies, molecular research, reviews, and unavailable full texts.
RESULTS: Of 1,752 screened studies, 36 met incl
СтатьяСистематический обзорПоиск 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.
OBJECTIVES: To extract structured injury features of knee trauma from forensic case files, and to assess knee functional impairment using a machine learning model combined with the voting method.
METHODS: A total of 490 forensic cases involving knee trauma were retrospectively collected and randomly divided into training and testing sets at an 8:2 ratio. Structured injury features were extracted and systematically organized and stored using a MySQL database. Six machine learning models, including support vector classification, random forest, logistic regression, gradient boosting, k-nearest n
Аннотация на английскомСтатьяПоиск 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 AND OBJECTIVE: To develop a machine learning model to predict urine output (UO) in sepsis patients after fluid resuscitation.
METHODS: We identified sepsis patients in the Multiparameter Intelligent Monitoring in Intensive Care-III v1.4 database according to the Sepsis-3 criteria. We focused on two outcomes: whether the UO decreased after fluid administration and whether oliguria (defined as UO less than the threshold of 0.5 mL/kg/h) developed. A gradient tree-based machine learning model implemented with an eXtreme Gradient Boosting algorithm was used to integrate relevant physiol
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.
Water polo upper limb external monitoring is not routinely used yet is important in modifying injury risk as shooting volume and intensity are associated with upper limb injury. Monitoring has been performed with video analysis by specialist staff however delays timely feedback-with potential athlete health implications. Inertial measurement units (IMU) are a potential solution. Objective was to investigate IMU and machine learning model performance in classifying overhead movements during coach-led training sessions in elite women's water polo.Athletes wore two IMUs in four training sessions
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.
Accurately predicting individual antidepressant treatment response could expedite the lengthy trial-and-error process of finding an effective treatment for major depressive disorder (MDD). We tested and compared machine learning-based methods that predict individual-level pharmacotherapeutic treatment response using cortical morphometry from multisite longitudinal cohorts. We conducted an international analysis of pooled data from six sites of the ENIGMA-MDD consortium (n = 262 MDD patients; age = 36.5 ± 15.3 years; 154 (59%) female; mean response rate = 57%). Treatment response was defined as
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.
This study explores the potential of using wrist-worn inertial sensors to automate the labeling of ARAT (Action Research Arm Test) items. While the ARAT is commonly used to assess upper limb motor function, its limitations include subjectivity and time consumption of clinical staff. By using IMU (Inertial Measurement Unit) sensors and MiniROCKET as a time series classification technique, this investigation aims to classify ARAT items based on sensor recordings. We test common preprocessing strategies to efficiently leverage included information in the data. Afterward, we use the best preproces
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.
(1) Background: Being able to objectively assess upper limb (UL) dysfunction in breast cancer survivors (BCS) is an emerging issue. This study aims to determine the accuracy of a pre-trained lab-based machine learning model (MLM) to distinguish functional from non-functional arm movements in a home situation in BCS. (2) Methods: Participants performed four daily life activities while wearing two wrist accelerometers and being video recorded. To define UL functioning, video data were annotated and accelerometer data were analyzed using a counts threshold method and an MLM. Prediction accuracy,
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.
Time-lapse microscopy for embryos is a non-invasive technology used to characterize early embryo development. This study employs time-lapse microscopy and machine learning to elucidate changes in embryonic growth kinetics with maternal aging. We analyzed morphokinetic parameters of embryos from young and aged C57BL6/NJ mice via continuous imaging. Our findings show that aged embryos accelerated through cleavage stages (from 5-cells) to morula compared to younger counterparts, with no significant differences observed in later stages of blastulation. Unsupervised machine learning identified two
СтатьяПоддержка NIH: внешняя программаПоддержка правительства СШАПоддержка 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.
Operational instability in biological wastewater treatment systems can lead to inefficient aeration and elevated energy consumption. Accurate prediction of key process variables, including ammonia nitrogen, dissolved oxygen (DO), and mixed liquor suspended solids (MLSS), is essential for maintaining stable nitrification and energy-efficient aeration control. However, imbalanced data distributions and rare abnormal events often reduce model robustness. To address this challenge, this study develops an integrated predictive and risk assessment framework that incorporates feature distribution smo
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 childhood caries (ECC) is a major oral health problem among preschool children that can significantly influence children's quality of life. Machine learning can accurately predict the treatment outcome but its use in ECC management is limited. The aim of this study is to explore the application of machine learning in predicting the treatment outcome of ECC.
METHODS: This study was a secondary analysis of a recently published clinical trial that recruited 1,070 children aged 3- to 4-year-old with ECC. Machine learning algorithms including Naive Bayes, logistic regression, dec
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: Although recreational drug use is a strong risk factor for acute cardiovascular events, systematic testing is currently not performed in patients admitted to intensive cardiac care units, with a risk of underdetection. To address this issue, machine learning methods could assist in the detection of recreational drug use.
AIMS: To investigate the accuracy of a machine learning model using clinical, biological and echocardiographic data for detecting recreational drug use in patients admitted to intensive cardiac care units.
METHODS: From 07 to 22 April 2021, systematic screening f
СтатьяМногоцентровое исследованиеНаблюдательное 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.
Accurate and computationally efficient prediction of wave run-up is required to mitigate the impacts of inundation and erosion caused by tides, storm surges, and even tsunami waves. The conventional methods for calculating wave run-up involve physical experiments or numerical modeling. Machine learning methods have recently become a part of wave run-up model development due to their robustness in dealing with large and complex data. In this paper, an extreme gradient boosting (XGBoost)-based machine learning method is introduced for predicting wave run-up on a sloping beach. More than 400 labo
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.
BackgroundK2EDTA contamination of serum samples is a preanalytical error that poses a risk to patient safety. Contamination is most frequently mild to moderate, which standard detection procedures often miss. We examined whether machine learning models could improve the detection of K2EDTA contamination.MethodsArtificial neural network, decision tree (both simple and complex), extreme gradient boosting, k-nearest neighbours, logistic regression, naïve Bayes, random forest, and support vector machine models were developed. Models were trained using extracted patient results for electrolytes, ur
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: Accurate preoperative prediction of lymph node invasion (LNI) in prostate cancer is critical for guiding lymph node dissection. Current nomograms often fail to optimall balance the risks of missing metastatic cases and unnecessary dissections. Machine-learning models can provide improved predictive performance through more flexible modeling of complex clinical data.
METHODS: The authors developed machine-learning models using clinicopathologic features to predict LNI. Due to a significant class imbalance between LNI-positive and LNI-negative cases, a synthetic minority oversamplin
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 and Aim: Tacrolimus (TAC) is a first-line immunosuppressant for the treatment of refractory nephrotic syndrome (RNS), but the pharmacokinetics of TAC varies widely among individuals, and there is still no accurate model to predict the pharmacokinetics of TAC in RNS. Therefore, this study aimed to combine population pharmacokinetic (PPK) model and machine learning algorithms to develop a simple and accurate prediction model for TAC. Methods: 139 children with RNS from August 2013 to December 2018 were included, and blood samples of TAC trough and partial peak concentrations were coll
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: Oncological resection and reconstruction involving the lower extremities commonly lead to reoperations that impact patient outcomes and healthcare resources. This study aimed to develop a machine learning (ML) model to predict this reoperation risk.
METHODS: This study was conducted according to TRIPOD + AI. Data from the PARITY trial was used to develop ML models to predict the 1-year reoperation risk following lower extremity oncological resection and reconstruction. Six ML algorithms were tuned and calibrated based on fivefold cross-validation. The best-performing model was ide
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.