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
4036 публикаций
Поиск: 178 мс
Публикации на разных языках · PubMed, Europe PMC и данные издателей через Crossref · 376 с найденным полным текстом
Hematopoietic stem cell transplantation (HSCT) is a life-saving therapy for hematologic malignancies, such as leukemia and lymphoma and other severe conditions but is associated with significant risks, including graft versus host disease (GVHD), relapse, and treatment-related mortality. The increasing complexity of clinical, genomic, and biomarker data has spurred interest in machine learning (ML), which has emerged as a transformative tool to enhance decision-making and optimize outcomes in HSCT. This review examines the applications of ML in HSCT, focusing on donor selection, conditioning re
Полный текст 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.
OBJECTIVES: Patients with multiple myeloma (MM) are immunocompromised and highly susceptible to severe infections. Invasive fungal disease (IFD) carries a particularly high mortality rate, yet its presentation often mimics bacterial infection, leading to misdiagnosis, inappropriate antibiotic use, and delayed antifungal therapy. This case-control study aimed to develop and validate a machine learning-based model to accurately distinguish IFD from bacterial infection in MM patients. METHODS: In this retrospective case-control study, we analyzed epidemiological, clinical, and laboratory data fro
Полный текст 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.
ВВЕДЕНИЕ: Магнитная резонансная визуализация (MRI) обычно используется для обнаружения и диагностики множественных склерозов (MS), часто дополняемых поясничными проколами - очень инвазивным методом для подтверждения диагноза. Кроме того, МРТ периодически повторяется для контроля за развитием и эффективностью лечения заболеваний. В ходе недавних исследований основное внимание уделялось применению искусственного интеллекта (АИ) и радиомики при обработке медицинских изображений, диагностике и планировании лечения. МЕТОДЫ: Был проведен обзор существующей литературы с анализом использования моделей
СтатьяСистематический обзорПолный текст найденМашинный перевод · не проверен
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: Diffuse large B-cell lymphoma (DLBCL) is a biologically heterogeneous malignancy, with various outcomes despite significant advances in therapeutic options. Current conventional prognostic tools, e.g., the International Prognostic Index (IPI), lack sufficient precision at an individual patient level. However, artificial intelligence (AI), including machine learning (ML) and deep learning (DL), can enable specialists to navigate complex datasets, with the final aim of improving prognostic models for DLBCL. Objectives: This scoping review aims to systematically map the current litera
Полный текст 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 discovery and advances of medicines may be considered as the ultimate relevant translational science effort that adds to human invulnerability and happiness. But advancing a fresh medication is a quite convoluted, costly, and protracted operation, normally costing USD ~2.6 billion and consuming a mean time span of 12 years. Methods to cut back expenditure and hasten new drug discovery have prompted an arduous and compelling brainstorming exercise in the pharmaceutical industry. The engagement of Artificial Intelligence (AI), including the deep-learning (DL) component in particular, has bee
Полный текст 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.
Повышение точности и своевременности диагностики остеопороза может помочь предотвратить хрупкие переломы, заболеваемость и смертность для пожилых людей. Остеопороз часто является безмолвным состоянием здоровья, особенно в том, что касается переломов позвоночника, и ВОЗ обратилась с призывом к оказанию первичной медико-санитарной помощи, с тем чтобы она вела работу по выявлению, оценке и лечению таких заболеваний, как остеопороз. Мы использовали метод машинного обучения, Stocastic Gradient Bousting (SGB), чтобы определить, какие диагнозы в системе первичной медико-санитарной помощи предсказываю
Полный текст найденМашинный перевод · не проверен
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.
Фон: Множественный склероз (MS) — хроническое аутоиммунное заболевание центральной нервной системы с склонностью вызывать серьезные неврологические расстройства. Точное и раннее прогнозирование прогресса в области НР имеет исключительно важное значение для управления им и его лечения. Методы: В настоящем документе мы сравниваем ряд самомаркированных полуконтролируемых методов обучения, используемых для прогнозирования MS на основе маркированных и немаркированных медицинских данных. В частности, мы сравниваем результаты самоподготовки, СЕТРЕД, совместной подготовки, совместной подготовки с Коми
СтатьяПолный текст найденМашинный перевод · не проверен
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.
Перипростетическая суставная инфекция (ПСО) представляет собой one Из наиболее разрушительных осложнений, вызванных общей совместной артропластикой, часто требующих дополнительных операций и антимикробной терапии, и потенциально ведущих к инвалидности. Это значительно увеличивает нагрузку как на пациентов, так и на систему здравоохранения. С учетом значительных страданий, причиняемых ПСО, его профилактика и лечение уже давно являются ключевыми факторами, вызывающими озабоченность. Вместе с тем сохраняются проблемы, связанные с точной оценкой индивидуального риска, предотвращением инфекции, сов
Полный текст найденМашинный перевод · не проверен
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 prediction of mortality after allogeneic hematopoietic stem cell transplantation (alloHCT) is essential for individualized treatment decisions, yet existing clinical risk scores capture only a limited number of variables and show modest predictive performance. In our single-center retrospective analysis, we included data from 909 adult patients with hematologic malignancies undergoing alloHCT. We used 31 features to build machine-learning models to predict death within the first year after alloHCT. These features included established clinical risk factors together with pre-transplant
Полный текст 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.
BackgroundMultiple myeloma (MM) is a malignancy characterized by abnormal plasma cell proliferation. While bortezomib has improved outcomes, significant individual variability persists. Accurate early prediction of patient progression is crucial for optimizing therapeutic intensity and improving long-term survival. Developing an automated, multimodal prediction model can provide clinicians with a robust tool for personalized prognosis, thereby reducing the burden of ineffective treatments on patients.MethodsWe enrolled 207 newly diagnosed MM (NDMM) patients treated with bortezomib. Based on 2-
Полный текст 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.
Сложные заболевания создают трудности в прогнозировании из-за их многофакторного и полигенного характера. В этом исследовании используется машинное обучение (ML) для анализа геномных данных из британского биобанка с целью прогнозирования геномной предрасположенности к таким сложным болезням, как множественный склероз (MS) и болезнь Альцгеймера (AD). Мы проверили логистическую регрессию (LR), методы ансамбля деревьев и модели глубокого обучения с этой целью. LR продемонстрировал замечательную стабильность в различных поднаборах данных, превосходя глубинные подходы к обучению, которые продемонст
СтатьяПолный текст найденМашинный перевод · не проверен
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.
AimIn recent years, with the change of social environment, the incidence and detection rate of hematological diseases have shown an increasing trend. Early diagnosis and detection of hematological diseases are very important to improve the quality of life and prognosis of patients.MethodsIn this study, we employed 54 clinical and conventional laboratory parameters. By optimally combining multiple feature selection methods and machine learning algorithms, we developed 7 machine learning models with varying feature set sizes. We comprehensively evaluated the performance of these models, analyzed
Полный текст 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.
ObjectiveThe objective of this study is to investigate the incidence of low lean tissue index (LTI) and the risk factors for low LTI in peritoneal dialysis (PD) patients, including to establish risk prediction models.MethodsA total of 104 PD patients were enrolled from October 2019 to 2021. LTI was measured by bioimpedance spectroscopy. Multivariate logistic regression and machine learning were used to analyze the risk factors for low LTI in PD patients. Kaplan-Meier analysis was used to analyze the survival rate of patients with low LTI.ResultsThe interleukin-6 (IL-6) level, red cell distribu
Полный текст 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.
BackgroundHospitalized patients with blood cancer face an elevated risk for cardiovascular diseases caused by cardiotoxic cancer therapies, which can lead to cardiovascular-related unplanned readmissions.ObjectiveWe aimed to develop a machine learning (ML) model to predict 90-day unplanned readmissions for major adverse cardiovascular events (MACE) in hospitalized patients with blood cancers.DesignA retrospective population-based cohort study.MethodsWe analyzed patients aged ≥18 with blood cancers (leukemia, lymphoma, myeloma) using the Nationwide Readmissions Database. MACE included acute myo
Полный текст 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: Bone marrow is the leading site for metastasis from neuroblastoma and affects the prognosis of patients with neuroblastoma. However, the accurate diagnosis of bone marrow metastasis is limited by the high spatial and temporal heterogeneity of neuroblastoma. Radiomics analysis has been applied in various cancers to build accurate diagnostic models but has not yet been applied to bone marrow metastasis of neuroblastoma.
METHODS: We retrospectively collected information from 187 patients pathologically diagnosed with neuroblastoma and divided them into training and validation sets in
Полный текст 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.
Bone marrow transplantation (BMT) is a critical treatment for various hematological diseases in children, offering a potential cure and significantly improving patient outcomes. However, the complexity of matching donors and recipients and predicting post-transplant complications presents significant challenges. In this context, machine learning (ML) and artificial intelligence (AI) serve essential functions in enhancing the analytical processes associated with BMT. This study introduces a novel Computer-Aided Diagnosis (CAD) framework that analyzes critical factors such as genetic compatibili
Полный текст 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: Acute kidney injury (AKI) frequently complicates sepsis in patients with multiple myeloma (MM), yet no validated predictive tool integrates the inflammatory and nutritional disturbances specific to this dual-disease population. We aimed to develop and externally validate an interpretable machine learning (ML) model-based on composite inflammatory-nutritional indices-to predict in-hospital AKI in septic patients with MM, and to deploy it as a web-based point-of-care tool. METHODS: In this retrospective cohort study, 362 septic MM patients (development cohort: 253 training, 109 inter
СтатьяПолный текст 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.
Multiple myeloma (MM) is a heterogeneous neoplasm accounting for the second most prevalent hematologic disorder. The identification of noninvasive, valuable biomarkers is of utmost importance for the best patient treatment selection, especially in heterogeneous diseases like MM. Despite molecular imaging with positron emission tomography (PET) has achieved a primary role in the characterization of MM, it is not free from shortcomings. In recent years, radiomics and artificial intelligence (AI), which includes machine learning (ML) and deep learning (DL) algorithms, have played an important rol
Полный текст 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/Objectives: Acute kidney injury (AKI) is a common complication across the cancer care continuum and can compromise kidney function, delay or interrupt anticancer therapy, and worsen renal and oncologic outcomes. This state-of-the-art narrative review examines conventional clinical risk scores and artificial intelligence (AI)- and machine learning (ML)-based approaches to AKI prediction in oncology and identifies priorities for clinical translation. Methods: We conducted iterative searches of PubMed and Google Scholar through July 2026 and screened reference lists of relevant primary
Полный текст 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.
Medical biosensors have set the basis of medical diagnostics, and Artificial Intelligence (AI) has boosted diagnostics to a great extent. However, false results are evident in every method, so it is crucial to identify the reasons behind a possible false result in order to control its occurrence. This is the first critical state-of-the-art review article to discuss all the commonly used biosensor types and the reasons that can give rise to potential false results. Furthermore, AI is discussed in parallel with biosensors and their misdiagnoses, and again some reasons for possible false results
Полный текст 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.