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
1756 публикаций
Поиск: 114 мс
Публикации на разных языках · PubMed, Europe PMC и данные издателей через Crossref · 220 с найденным полным текстом
BACKGROUND: We aimed to determine whether unsupervised machine learning was able to discover latent and possibly clinically-relevant clusters, hidden in dynamic electrical impedance tomography (EIT) images within a population of mechanically ventilated COVID-19 patients. Dynamic EIT images visualize the distribution of electrical impedance within the patient's lungs, and is clinically used for the optimization of positive end-expiratory pressure (PEEP) when supporting patients with mechanical ventilation helping them to overcome their critical disease. The task selected here was to use unsuper
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.
Latent tuberculosis infection (LTBi) affects nearly a quarter of the global population, yet current diagnostic methods are limited by low sensitivity and specificity. This study applied an integrative bioinformatics framework, incorporating machine learning techniques, to identify robust gene expression biomarkers associated with LTBi. We analyzed four publicly available transcriptomic datasets from peripheral blood mononuclear cells (PBMCs), representing latent, active, and healthy states. Differentially expressed genes (DEGs) were identified, followed by gene ontology (GO) enrichment, functi
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.
Genomic mutations drive the pathogenesis of myelodysplastic syndromes and acute myeloid leukemia. While morphological and clinical features have dominated the classical criteria for diagnosis and classification, incorporation of molecular data can illuminate functional pathobiology. Here we show that unsupervised machine learning can identify functional objective molecular clusters, irrespective of anamnestic clinico-morphological features, despite the complexity of the molecular alterations in myeloid neoplasia. Our approach reflects disease evolution, informed classification, prognostication
СтатьяПоддержка исследования: вне правительства СШАПоддержка NIH: внешняя программаПоиск 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.
Recently, Software-Defined Networking has become one of the key technologies in modern telecommunication networks. Its programmable and flexible architecture enables centralized control of network resources, automation of management processes, and integration with other technologies such as Network Function Virtualization, Edge/Fog/Cloud Computing, and 5G/6G networks. Moreover, SDN provides a natural environment for implementing advanced Machine Learning and Artificial Intelligence techniques, which are increasingly applied to anomaly detection, network traffic analysis, load prediction, and f
СтатьяОбзорПоиск 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: Machine learning (ML) classifiers are increasingly used for predicting cardiovascular disease (CVD) and related risk factors using omics data, although these outcomes often exhibit categorical nature and class imbalances. However, little is known about which ML classifier, omics data, or upstream dimension reduction strategy has the strongest influence on prediction quality in such settings. Our study aimed to illustrate and compare different machine learning strategies to predict CVD risk factors under different scenarios.
METHODS: We compared the use of six ML classifiers in pre
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.
Europace : European pacing, arrhythmias, and cardiac electrophysiology : journal of the working groups on cardiac pacing, arrhythmias, and cardiac cellular electrophysiology of the European Society of Cardiology2025eng
AIMS: The aim of this study was to perform an external validation of an automatic machine learning (ML) algorithm for heart rhythm diagnostics using smartphone photoplethysmography (PPG) recorded by patients with atrial fibrillation (AF) and atrial flutter (AFL) pericardioversion in an unsupervised ambulatory setting.
METHODS AND RESULTS: Patients undergoing cardioversion for AF or AFL performed 1-min heart rhythm recordings pericardioversion at least twice daily for 4-6 weeks, using an iPhone 7 smartphone running a PPG application (CORAI Heart Monitor) simultaneously with a single-lead elect
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.
Chronic rhinosinusitis (CRS) is a common, biologically heterogeneous disease in which diagnosis, endotyping, therapy selection, and surgical decision-making all remain imperfect. Over little more than a decade, artificial intelligence (AI) applied to CRS has advanced from classical regression to machine learning, deep learning, and, most recently, computer vision and generative models, producing tools that now touch the entire care pathway. This review synthesizes that progress across four present-day capabilities and two emerging frontiers. In diagnosis, machine learning predicts probable CRS
СтатьяОбзорПолный 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.
Cardiogenic shock (CS) is a complex clinical syndrome with various etiologies and clinical presentations. Despite advances in therapeutic options, mortality remains high, and clinical trials in the field are complicated in part by the heterogeneity of CS patients. More individualized targeted therapeutic approaches might improve outcomes in CS, but their implementation remains challenging. The present review discusses current and emerging machine learning-based approaches, including unsupervised and supervised learning methods that use real-world clinical data to individualize therapeutic stra
СтатьяОбзорПолный 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: The heterogeneity in tuberculosis (TB) treatment responses necessitates a precision medicine approach. This study employed machine learning techniques to identify patient subtypes and optimize clinical pharmacist interventions.
METHODS: We conducted a prospective cohort study involving 467 TB patients (218 in the intervention group receiving machine learning-guided pharmacist care and 249 in the control group receiving standard care). Primary outcomes included time to sputum conversion (smear, culture, TB-RNA) and duration of hospitalization; secondary outcomes encompassed adverse
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: Patients with essential tremor (ET), Parkinson's disease (PD) and dystonic tremor (DT) can be difficult to classify and often share similar characteristics.
OBJECTIVES: To use ubiquitous smartphone accelerometers with and without clinical features to automate tremor classification using supervised machine learning, and to use unsupervised learning to evaluate if natural clusterings of patients correspond to assigned clinical diagnoses.
METHODS: A supervised machine learning classifier was trained to classify 78 tremor patients using leave-one-out cross-validation to estimate perf
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.
Amyotrophic lateral sclerosis (ALS) is a neurodegenerative disease that is universally fatal and has no cure. Heterogeneity of clinical presentation, disease onset, and proposed pathological mechanisms are key reasons why developing impactful therapies for ALS has been challenging. Here we analyzed data from two postmortem cohorts: one with bulk transcriptomes from 297 ALS patients and a separate cohort of single cell transcriptomes from 23 ALS patients. Using unsupervised machine learning, we found three groups of ALS patients characterized by synaptic dysfunction (34%), neuronal regeneration
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.
In this paper, we introduce a simple method based on image analysis and deep learning that can be used in the objective assessment and measurement of tremors. A tremor is a neurological disorder that causes involuntary and rhythmic movements in a human body part or parts. There are many types of tremors, depending on their amplitude and frequency type. Appropriate treatment is only possible when there is an accurate diagnosis. Thus, a need exists for a technique to analyze tremors. In this paper, we propose a hybrid approach using imaging technology and machine learning techniques for quantifi
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.
Ultrasound (US) is considered a key modality for the clinical assessment of hepatic steatosis (i.e., fatty liver) due to its noninvasiveness and availability. Deep learning methods have attracted considerable interest in this field, as they are capable of learning patterns in a collection of images and achieve clinically comparable levels of accuracy in steatosis grading. However, variations in patient populations, acquisition protocols, equipment, and operator expertise across clinical sites can introduce domain shifts that reduce model performance when applied outside the original training s
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: The existing deep learning (DL) segmentation methods of COVID-19 lesions in chest CT scans require tedious manual labels for training. This is labor-intensive and time-consuming for radiologists, and also limits the application of DL methods in clinical practice.
PURPOSE: To develop an unsupervised DL segmentation method that does not need the participation of radiologists to provide manual labels for training.
METHODS: Two hundred chest 3D CT scans of 48 COVID-19 patients (including 48 baseline CT scans and 152 follow-up CT scans) were used as training set and another 65 chest 3
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.
Pancreatic ductal adenocarcinoma (PDAC) is a rapidly progressing cancer that responds poorly to immunotherapies. Intratumoral tertiary lymphoid structures (TLS) have been associated with rare long-term PDAC survivors, but the role of TLS in PDAC and their spatial relationships within the context of the broader tumor microenvironment remain unknown. In this study, we report the generation of a spatial multiomic atlas of PDAC tumors and tumor-adjacent lymph nodes from patients treated with combination neoadjuvant immunotherapies. Using machine learning-enabled hematoxylin and eosin image classif
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.
AIM: To systematically investigate the clinical characteristics and prognosis of patients with immune-mediated necrotizing myopathy (IMNM), and to explore the proteomic landscape associated with different clinical phenotypes.
METHODS: A total of 133 IMNM patients were enrolled in this retrospective study. The clinical features and outcomes were compared across three subgroups: anti-HMGCR-positive, anti-SRP-positive, and seronegative patients. Unsupervised machine learning algorithms were applied to cluster patients independently of antibody status. Label-free data-independent acquisition quan
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: To research the subtyping and treatment of depression by leveraging studying on extensive Traditional Chinese Medicine (TCM) experiences through artificial intelligence (AI).
METHODS: We retrieved depression-related literature published from inception to April 2023 from databases. From these sources, we extracted symptoms, signs, and prescriptions associated with depression. By utilizing the tree number system in the medical subject headings (MeSH), we established a hierarchical relationship matrix for symptoms/signs, as well as depression sample fingerprints. Using an unsupervised
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.
OBJECTIVE: To develop a predictive model of the total length of the small intestine to be applied in bariatric surgery, allowing for the individualization of surgery for each patient.
METHODS: Two Excel tables were generated from a Filemaker file. Python was used through a Notebook format in Google Collaborator. The methodology included data transformation and scaling (MinMaxScaler), clustering (unsupervised machine learning with KMeans), data interpolation (oversampling machine learning technique SMOTE), modeling (PyCaret model - XGBoost), and validation.
RESULTS: The study sample included
СтатьяВалидационное 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.
Trichophyton indotineae is an emerging dermatophyte species responsible for recalcitrant and terbinafine-resistant dermatophytosis, raising concerns over diagnostic accuracy and treatment efficacy. This study aimed to improve the identification and resistance profiling of T. indotineae by integrating molecular methods with machine learning-assisted analysis of MALDI-TOF mass spectra. A total of 56 clinical isolates within the Trichophyton mentagrophytes complex were analyzed using ITS and ERG1 gene sequencing, antifungal susceptibility testing, and MALDI-TOF MS profiling. Terbinafine resistanc
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.
Biomedical research is inseparable from the analysis of various histopathological images, and hematoxylin-eosin (HE)-stained images are one of the most basic and widely used types. However, at present, machine learning based approaches of the analysis of this kind of images are highly relied on manual labeling of images for training. Fully automated processing of HE-stained images remains a challenging task due to the high degree of color intensity, size and shape uncertainty of the stained cells. For this problem, we propose a fully automatic pixel-wise semantic segmentation method based on p
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.