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
16282 публикаций
Поиск: 266 мс
Публикации на разных языках · PubMed, Europe PMC и данные издателей через Crossref · 565 с найденным полным текстом
IEEE transactions on pattern analysis and machine intelligence2026eng
Trajectory prediction is a fundamental problem in computer vision, vision-language-action models, world models, and autonomous systems, with broad impact on applications including autonomous driving, robotics, and surveillance. Most existing approaches assume observations are complete and relatively clean, and thus do not adequately address out-of-sight agents or the intrinsic noise in sensing modalities (e.g., sensor measurements) caused by restricted camera coverage, occlusions, and the lack of ground-truth denoised trajectories. These factors introduce substantial safety concerns and reduce
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.
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: Time-series forecasting is crucial in pharmaceutical fermentation, where early detection of deviations safeguards product quality. As the industry evolves toward Pharma 4.0, integrating machine learning into process monitoring and control presents an opportunity to enhance efficiency, consistency, and regulatory compliance. However, currently there is a notable lack of reliable machine learning based predictive tools for complex pharmaceutical fermentations.
OBJECTIVE: To develop a machine learning model based on Gated Recurrent Units (GRUs) for predicting penicillin concentration
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: Cancer represents a significant public health challenge in Egypt, with its burden projected to rise due to ongoing epidemiological and demographic transitions. Understanding the drivers of cancer mortality is crucial for effective public health planning.
METHODS: We used a time series analysis of national vital registration data for 19 cancer types from 2014 to 2023. We employed a hybrid forecasting model combining ARIMA and ETS to project mortality trends through 2030. A decomposition analysis was performed to quantify the influence of population growth, population aging, and age
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.
Infectious disease forecasting has become increasingly important in public health. However, forecasting tools for emergency animal diseases, particularly those offering real-time decision support when parameters governing disease dynamics are unknown, remain limited. We introduce a generalised modelling framework for near-real-time forecasting of the temporal and spatial spread of infectious livestock diseases using data from the early stages of an outbreak. We applied the framework to the 2007 equine influenza outbreak in Australia, generating forecasts at three timepoints across four regiona
СтатьяПоддержка 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.
BACKGROUND OBJECTIVES: Dengue fever is a significant public health challenge in India. The threat has been amplified by rapid urbanization. This study analyzes the spatiotemporal patterns of dengue transmission, the influence of climate on dengue transmission, and predict future trends of dengue incidence in Dakshina Kannada district of Karnataka, India from 2024 to 2026.
METHODS: The study used retrospective data from January 1 2019 to April 30 2024, and covered 288 locations in the Dakshina Kannada. Data was collected in Microsoft Excel and analyzed using Jamovi 2.3.28 for descriptive stati
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.
For people with Type 1 diabetes (T1D), accurate blood glucose (BG) forecasting is crucial for the effective delivery of insulin by Artificial Pancreas (AP) systems. Deep learning frameworks like Long Short-Term-Memory (LSTM) have been widely used to predict BG using continuous glucose monitor (CGM) data. However, these methods usually require large amounts of training data for personalized forecasts. Moreover, individuals with diabetes exhibit diverse glucose variability (GV), resulting in varying forecast accuracy. To address these limitations, we propose a novel deep learning framework: Incr
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: The COVID-19 pandemic caused substantial pressure on healthcare, with many systems needing to prepare for and mitigate the consequences of surges in demand caused by multiple overlapping waves of infections. Therefore, public health agencies and health system managers also benefitted from short-term forecasts for respiratory infections that allowed them to manage services. While quantitative forecasts treating hospital admissions as continuous variables existed, many health managers prefer discrete levels of demand, similar to approaches used in weather and flooding. However, effec
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.
This article presents a publicly available, multimodal, tiered magnetic polarity inversion lines (MPILs) dataset extracted from the Solar Dynamics Observatory's (SDO) Helioseismic and Magnetic Imager (HMI) Active Region Patches (SDO/HMI HARP) between May 2010 and April 2025. The dataset comprises four distinct tiers, each generated by running our detection methodology with four different magnetic field strength thresholds to capture nuanced variations in MPIL features at multiple levels of detail. In total, we provide 6,695 HARP series mapped using the Lambert Cylindrical Equal Area (CEA) proj
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.
Аннотация не предоставлена источником. Откройте карточку для перехода к публикации.
Письмо в редакциюПолный 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: Modelling efforts during the COVID-19 pandemic highlighted the importance of incorporating human behaviour into mathematical models and the challenges of making accurate forecasts. Case detection is affected by different healthcare-seeking behaviors, including visiting physicians to seek help, which can impact the number of laboratory tests performed and the number of cases identified by surveillance systems throughout an epidemic. Mathematical models for forecasting epidemics of respiratory viruses such as influenza and COVID-19 generally assume a constant rate of case detection,
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.
The World Health Organization (WHO) declared mpox a Public Health Emergency of International Concern (PHEIC) twice, in response to the global outbreak, first in May 2022 and again in August 2024, after a span of 2 years and 3 months. African countries continue to be a hotspot for the ongoing mpox outbreaks and Nigeria has contributed substantially in exporting the virus to other countries, highlighting the need for an in-depth analysis of outbreak patterns and forecasting to inform public health policy. This study used the Auto-Regressive Integrated Moving Average (ARIMA) model to perform a 14
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: Opioid-related overdose mortality has remained at crisis levels across the United States, increasing 5-fold and worsened during the COVID-19 pandemic. The ability to provide forecasts of opioid-related mortality at granular geographical and temporal scales may help guide preemptive public health responses. Current forecasting models focus on prediction on a large geographical scale, such as states or counties, lacking the spatial granularity that local public health officials desire to guide policy decisions and resource allocation.
OBJECTIVE: The overarching objective of our stud
СтатьяПоддержка NIH: внешняя программаПоддержка службы здравоохранения 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.
As one of the most common eye conditions being presented at clinics, acute conjunctivitis puts substantial strain on primary health resources. To reduce this public health burden, it is important to forecast and provide forward guidance to policymakers by estimating conjunctivitis trends, taking into account factors which influence transmission. Using a high-dimensional set of ambient air pollution and meteorological data, this study describes new approaches to point and probabilistic forecasting of conjunctivitis burden which can be readily translated to other infectious diseases. Over the pe
СтатьяПоддержка 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.
Data scarcity and discontinuity are common occurrences in the healthcare and epidemiological dataset and often is needed to form an educative decision and forecast the upcoming scenario. Often to avoid these problems, these data are processed as monthly/yearly aggregate where the prevalent forecasting tools like Autoregressive Integrated Moving Average (ARIMA), Seasonal Autoregressive Integrated Moving Average (SARIMA), and TBATS often fail to provide satisfactory results. Artificial data synthesis methods have been proven to be a powerful tool for tackling these challenges. The paper aims to
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.
Yellow Fever (YF), a mosquito-borne disease, requires ongoing surveillance and prevention due to its persistence and ability to cause major epidemics, including one that began in Brazil in 2016. Forecasting based on factors influencing YF risk can improve efficiency in prevention. This study aimed to produce weekly forecasts of YF occurrence and incidence in Brazil using weekly meteorological and ecohydrological conditions. Occurrence was forecast as the probability of observing any cases, and incidence was forecast to represent morbidity if YF occurs. We fit gamma hurdle models, selecting pre
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.
Variability in neurodegenerative disease progression poses great challenges for the evaluation of potential treatments. Identifying the persons who will experience significant progression in the short term is key for the implementation of trials with smaller sample sizes. We apply here disease course mapping to forecast biomarker progression for individual carriers of the pathological CAG repeat expansions responsible for Huntington disease. We used data from two longitudinal studies (TRACK-HD and TRACK-ON) to synchronize temporal progression of 15 clinical and imaging biomarkers from 290 part
СтатьяПоддержка исследования: вне правительства СШАПолный 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.
Accurate infectious disease forecasting can inform efforts to prevent outbreaks and mitigate adverse impacts. This study compares the performance of statistical, machine learning (ML), and deep learning (DL) approaches in forecasting infectious disease incidences across different countries and time intervals. We forecasted three diverse diseases: campylobacteriosis, typhoid, and Q-fever, using a wide variety of features (n = 46) from public datasets, e.g., landscape, climate, and socioeconomic factors. We compared autoregressive statistical models to two tree-based ML models (extreme gradient
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: Predicting outcome after aneurysmal subarachnoid hemorrhage (aSAH) is known to be challenging and complex. Machine learning approaches, of which feedforward artificial neural networks (ffANNs) are the most widely used, could contribute to the patient-specific outcome prediction.
OBJECTIVE: To investigate the prediction capacity of an ffANN for the patient-specific clinical outcome and the occurrence of delayed cerebral ischemia (DCI) and compare those results with the predictions of 2 internationally used scoring systems.
METHODS: A prospective database was used to predict (1) de
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.
We aimed to assess the respiratory virus characteristics and forecasts among young children with acute respiratory tract infection (ARTI) in west China.This retrospective study investigated the epidemic characteristics of respiratory viruses among 11,813 paediatric ARTI patient samples (mean age, 2.25 years) between March 2018 and March 2020.The ratio of boys to girls was 1.36. The 2 predominant viruses were influenza (Flu) A and respiratory syncytial virus (RSV) in both years, with Flu A accounting for 47.3% and 47.5% in the first and second years and RSV accounting for 32.7% and 24.7% of 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.