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
35352 публикаций
Поиск: 626 мс
Публикации на разных языках · PubMed, Europe PMC и данные издателей через Crossref · 2553 с найденным полным текстом
Predicting functional outcomes in acute ischemic stroke (AIS) patients after endovascular thrombectomy (EVT) remains challenging due to the complex and dynamic nature of disease progression. Existing methods typically rely on single-stage imaging or limited multimodal fusion, failing to fully capture disease progression and cross-modal complementarity. To address this issue, we propose a multimodal deep learning framework that integrates multi-stage imaging and clinical notes for 90-day modified Rankin Scale (mRS) prediction. The proposed model leverages a shared foundation model with Low-Rank
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: Steatotic liver disease affects 40% of nonobese individuals, but existing screening tools inadequately detect and stage disease severity in this population because of the limited sensitivity of conventional ultrasound and the lack of dedicated prediction models.
OBJECTIVE: This study aimed to develop and validate an interpretable machine learning model specifically for multiclass hepatic steatosis severity prediction in nonobese individuals to support early risk stratification in this underrecognized group.
METHODS: Health examination data from 215,145 nonobese participants (BMI
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.
Stroke is a leading cause of mortality worldwide, with hypertension being its most significant risk factor. However, few studies have specifically developed predictive models for stroke risk in hypertensive patients with elevated cardiovascular risk. This study aims to develop and validate an interpretable predictive model based on machine learning (ML) methods to assess stroke risk in hypertensive patients, enabling early prevention and improved prognosis. This study is a secondary analysis of the Systolic Blood Pressure Intervention Trial (SPRINT). Key clinical variables were identified by t
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.
INTRODUCTION: Alzheimer's disease (AD) and Parkinson's disease (PD) are types of neurodegenerative diseases that affect the body and get worse over time. The cause of AD mainly involves the buildup of protein which are abnormal, issues with the immune reaction, death of neurons. Different from this, the death of the neurons that make dopamine leads to PD and causes both motor and non-motor problems. MRI images are used to provide an early and correct diagnosis to enable timely treatment planning and management of the disease.
METHODS: In this paper, a design of an AI-based deep learning frame
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.
OBJECTIVES: To construct a machine learning-based predictive model for fatty liver in patients with Wilson disease (WD).
METHODS: Clinical data retrospectively collected from 1862 WD patients at the First Affiliated Hospital of Anhui University of Chinese Medicine were divided into a training set (70%) and a validation set (30%). The least absolute shrinkage and selection operator (LASSO) was employed to screen the key predictive variables. Seven algorithms, namely logistic regression (LR), decision tree (DT), random forest (RF), extreme gradient boosting (XGBoost), light gradient boosting ma
СтатьяВалидационное исследованиеАннотация на английскомПоиск 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.
Recycled aggregate concrete (RAC) supports more sustainable construction, but recycled concrete aggregate (RCA)'s heterogeneity complicates compressive-strength prediction. This study evaluates the Tabular Prior-data Fitted Network (TabPFN) against nine conventional machine-learning models using a standardized literature-derived database of 833 RAC mixtures. Cube strengths were converted to equivalent cylinder strengths, with conversion sensitivity also assessed. Among conventional models, CatBoost achieved the highest accuracy (R2 = 0.843), whereas TabPFN achieved R2 = 0.870, mean absolute er
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.
Alzheimer’s disease (AD) is a complex disorder influenced by genetic factors, and related phenotypes often share common genetic mechanisms. However, traditional genetic risk prediction models typically focus on a single phenotype, neglecting valuable cross-phenotype information. This study aims to explore the effectiveness of multi-task learning (MTL) in modeling genetic data for AD and to assess whether aggregating genetic signals at the gene level can further improve prediction accuracy. We applied two representative MTL models, including the Sluice Network and the Learning to Branch (LTB) m
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.
Аннотация не предоставлена источником. Откройте карточку для перехода к публикации.
Письмо в редакциюКомментарийПоиск 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.
Posttransplant lymphoproliferative disorder (PTLD) is the second most common malignancy in thoracic transplant recipients and is associated with poor survival. Accurate risk prediction is essential for prevention and management. Adult (≥18 years) heart, lung, and heart-lung transplant recipients were extracted from the Scientific Registry of Transplant (SRTR) and the United Network of Organ Sharing (UNOS) databases. A total of 160 donor and recipient pretransplant variables, including demographics, laboratory tests, induction therapy, and human leukocyte antigens (HLA), were analyzed. Risk sco
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 the past five years, the COVID-19 epidemic has created unparalleled difficulties throughout the world. The COVID-19 virus has not entirely disappeared all over the world, and it is still spreading with new transformations and new variants throughout the globe. Hence, the requirement of exact and appropriate risk prediction can emphasize the care of patients and effectively allocate the resources for improving their lifespan. The prediction of risk factors for COVID-19 is highly needed for minimizing these hazards. As a result, this work develops the Fuzzy-Deep Kronecker Network + Deep Recur
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.
INTRODUCTION: Patients with severe COVID-19 may require MV or ECMO. Predicting who will require interventions and the duration of those interventions are challenging due to the diverse responses among patients and the dynamic nature of the disease. As such, there is a need for better prediction of the duration and outcomes of MV use in patients, to improve patient care and aid with MV and ECMO allocation. Here we develop and examine the performance of ML models to predict MV duration, ECMO, and mortality for patients with COVID-19.
METHODS: In this retrospective prognostic study, hierarchical
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: Intravenous immunoglobulin (IVIG) is the standard initial treatment for Kawasaki disease (KD). However, approximately 20% of patients are resistant, who have a significantly increased risk of coronary artery lesions. Early prediction of IVIG resistance is crucial for improving outcomes, but traditional clinical scoring systems exhibit limited generalizability and limited predictive performance. OBJECTIVE: To systematically evaluate the accuracy of machine learning (ML) models in predicting IVIG-resistant KD through meta-analysis, and provide evidence-based support for clinical appl
СтатьяМетаанализПолный 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.
Quinoa (Chenopodium quinoa Willd.) is gaining global importance for its nutritional value and adaptability; however, breeding progress remains limited. Genomic selection (GS), combined with rapid generation cycles, offers a strategy to accelerate genetic improvement. We conducted whole-genome resequencing of 610 accessions and present the first evaluation of genomic prediction in quinoa evaluated across six field trials in Australia and Pakistan for seven phenological and yield-related traits. Using ∼1.8 million single-nucleotide polymorphisms, we compared four models-genomic best linear unbia
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.
Accurate crop yield prediction is essential for agricultural planning, yet machine learning (ML) models remain highly sensitive to the quality and structure of input data. This study uses simulated datasets to systematically investigate how data structure (sample size and number of predictors), data imperfections (missing values and multicollinearity), and pre-processing methods (imputation techniques and principal component analysis) influence ML regression performance. The performance of ML-based models (RF, SVM, MLR, XGBoost, LightGBM, NNet, and kNN) on the pre-processed data was evaluated.
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.
Cardiovascular deterioration is a clinically important event in intensive care units, but early prediction remains challenging because risk may be reflected across structured clinical variables, physiological time series, and clinical text. In this work, we present MultiCardioNet, a multimodal deep learning framework for early prediction of a composite ICU deterioration endpoint using MIMIC-IV data. The prediction target was defined as vasopressor initiation and/or early death during the 24-72 h outcome window, making the task broader than mortality prediction alone but also related to treatme
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.
Allosteric regulation plays a crucial role in modulating protein function, and allosteric pockets represent promising targets for drug discovery. However, identifying allosteric pockets remains challenging due to their structural and evolutionary diversity. In this study, we propose AlloPoc, a novel framework that integrates multi-modal protein language model (PLM) representations with biochemical features for accurate allosteric pocket prediction. Unlike existing PLM-based methods that rely exclusively on sequence-level features, AlloPoc leverages complementary sequence- and structure-based i
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: Acute kidney injury (AKI) is a frequent and clinically important complication after polytrauma, but early risk stratification remains challenging because conventional diagnostic criteria depend on delayed changes in serum creatinine and urine output. This study aimed to develop and interpret an early prediction model for incident AKI in adult ICU patients with polytrauma using routinely available data from the first 6 h after ICU admission.
METHODS: We conducted a retrospective observational study using MIMIC-IV as the primary development and internal validation dataset. Incident A
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 AND PURPOSE: In external beam radiotherapy for prostate cancer, inclusion of the seminal vesicles (SV) in the clinical target volume (CTV) is often complicated by considerable SV motion and deformation. This study aimed to investigate the feasibility of predicting patient-specific SV motion using anatomical features surrounding the prostate on planning CT (pCT) images.
MATERIALS AND METHODS: Interfractional SV motion was quantified using five pretreatment cone-beam CT (CBCT) scans per patient from a cohort of 191 prostate cancer patients. Patients whose SV was not fully covered by
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.
Antimicrobial resistance (AMR) is a critical global health problem that has become increasingly alarming in recent years. The discovery of new antibiotics is one approach for alleviating AMR, however, screening for novel drugs is time consuming and expensive. To accelerate antibiotic discovery, the integration of machine learning algorithms with Quantitative Structure-Activity Relationship (QSAR) calculations could provide a rapid solution. Thus, this study combines a QSAR model and machine learning algorithms to predict antibacterial activities of potential novel drugs based on chemical infor
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: Chronic obstructive pulmonary disease (COPD) is frequently complicated by pulmonary hypertension (PH), which worsens prognosis, but early PH detection is limited by the invasiveness or suboptimal sensitivity of current diagnostic tools.
METHODS: In this retrospective study, we analyzed 523 hospitalized patients with COPD from Beijing Chaoyang Hospital. After standardized preprocessing and recursive feature elimination, 18 routinely available noninvasive clinical and physiological variables were retained as predictors. Eight machine-learning algorithms were trained to predict PH an
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.