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
34964 публикаций
Поиск: 91 мс
Публикации на разных языках · PubMed, Europe PMC и данные издателей через Crossref · 2553 с найденным полным текстом
BACKGROUND: The integration of artificial intelligence (AI) into emergency medicine holds promise for enhancing early diagnosis and clinical decision-making. Traditional diagnostic approaches often rely on physician judgment or early warning scores that may delay identification of infections, especially when these tools prioritize outcomes such as mortality or ICU admission over early infection detection.
OBJECTIVE: This study aimed to identify the most informative predictors of infection at emergency department (ED) admission using machine learning (ML), and to develop a predictive model for
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.
INTRODUCTION: Although clinical, functional, and biomarker data predict asthma exacerbations, newer approaches providing high accuracy of prognosis are needed for real-world decision-making in asthma. Machine learning (ML) leverages mathematical and statistical methods to detect patterns for future disease events across large datasets from electronic health records (EHR). This study conducted training and fine-tuning of ML algorithms for the real-world prediction of asthma exacerbations in patients with physician-diagnosed asthma.
METHODS: Adults with ≥ 2 ICD9/10 asthma codes within 1 year an
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.
OBJECTIVES: To explore machine-learning applications in myopia prediction and analyze the influencing factors of myopia.
METHODS: Stratified cluster random sampling was used to select elementary school students in Shenzhen, China for inclusion in this case-control study. Myopia screening, ocular biological parameter measurements, and questionnaires were conducted. Random forest (RF), decision tree (DT), extreme gradient boosting trees (XGBoost), support vector machine (SVM), and logistic regression (LR) algorithms were used to construct five myopia prediction models using R software (version
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: This systematic review provides an overview of machine learning (ML) approaches for predicting preeclampsia.
METHOD: This review adhered to the Preferred Reporting Items for Systematic Reviews and Meta-Analyzes (PRISMA) guidelines. We searched the Cochrane Central Register, PubMed, EMBASE, ProQuest, Scopus, and Google Scholar up to February 2023. Search terms were limited to "preeclampsia" AND "artificial intelligence" OR "machine learning" OR "deep learning." All studies that used ML-based analysis for predicting preeclampsia in pregnant women were considered. Non-English article
Систематический обзорСтатьяПолный 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: Early identification of neonates at risk of retinopathy of prematurity (ROP) is essential to prevent vision loss. The goal of this study was to develop, test, and validate machine learning (ML) models to predict which newborns will develop ROP and require treatment.
METHODS: A real-world, de-identified, clinical dataset including 23,404 medical records from 9205 individuals was abstracted, curated, and processed from 25 newborn care units in Odisha, India. A sequential two-step strategy was used: STEP 1 used demographic, perinatal, laboratory, and NICU variables to predict the dev
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.
Hepatitis continues to be a major global health challenge, leading to high morbidity and mortality rates. Despite advances in diagnosis and treatment, early prediction of hepatitis outcomes remains an essential area for improvement. This study seeks to address this gap by applying a range of advanced machine learning (ML) algorithms to predict hepatitis, contributing to global efforts to enhance public health outcomes. The study utilized the hepatitis dataset from the UCI repository, which includes 155 participants and 20 attributes related to demographics, clinical data, and laboratory result
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.
INTRODUCTION: With the rapid development of artificial intelligence technology, machine learning algorithms have been widely applied at various stages of stroke diagnosis, treatment, and prognosis, demonstrating significant potential. A correlation between stroke and cytokine levels in the human body has recently been reported. Our study aimed to establish machine-learning models based on cytokine features to enhance the decision-making capabilities of clinical physicians.
METHODS: This study recruited 2346 stroke patients and 2128 healthy control subjects from Chongqing University Central Ho
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.
This study aimed to develop a machine-learning algorithm to diagnose aldosterone-producing adenoma (APA) for predicting APA probabilities. A retrospective cross-sectional analysis of the Japan Rare/Intractable Adrenal Diseases Study dataset was performed using the nationwide PA registry in Japan comprised of 41 centers. Patients treated between January 2006 and December 2019 were included. Forty-six features at screening and 13 features at confirmatory test were used for model development to calculate APA probability. Seven machine-learning programs were combined to develop the ensemble-learni
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 & AIMS: Refeeding syndrome (RFS) is a disease that occurs when feeding is restarted and metabolism changes from catabolic to anabolic status. RFS can manifest variously, ranging from asymptomatic to fatal, therefore it may easily be overlooked. RFS prediction using explainable machine learning can improve diagnosis and treatment. Our study aimed to propose a machine learning model for RFS prediction, specifically refeeding hypophosphatemia, to evaluate its performance compared with conventional regression models, and to explain the machine learning classification through Shapley add
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.
OBJECTIVE: To predict a woman's risk of postpartum hemorrhage at labor admission using machine learning and statistical models.
METHODS: Predictive models were constructed and compared using data from 10 of 12 sites in the U.S. Consortium for Safe Labor Study (2002-2008) that consistently reported estimated blood loss at delivery. The outcome was postpartum hemorrhage, defined as an estimated blood loss at least 1,000 mL. Fifty-five candidate risk factors routinely available on labor admission were considered. We used logistic regression with and without lasso regularization (lasso regression
Оценочное исследованиеСтатьяМногоцентровое исследованиеПоддержка NIH: внешняя программаResearch Support, N.I.H., IntramuralПоиск 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.
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: Inflammatory bowel disease (IBD) is a chronic, incurable gastrointestinal disease without a gold standard for diagnosis. This study aimed to develop predictive models for diagnosing IBD, Crohn's disease (CD), and Ulcerative colitis (UC) by combining two approaches: machine learning (ML) and traditional nomogram models.
METHODS: Cohorts 1 and 2 comprised data from the UK Biobank (UKB), and the First Hospital of Jilin University, respectively, which represented the initial laboratory tests upon admission for 1135 and 237 CD patients, 2192 and 326 UC patients, and 1798 and 298 non-IB
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.
INTRODUCTION: Hydrogel spacers (HS) are designed to minimise the radiation doses to the rectum in prostate cancer radiation therapy (RT) by creating a physical gap between the rectum and the target treatment volume inclusive of the prostate and seminal vesicles (SV). This study aims to determine the feasibility of incorporating diagnostic MRI (dMRI) information in statistical machine learning (SML) models developed with planning CT (pCT) anatomy for dose and rectal toxicity prediction. The SML models aim to support HS insertion decision-making prior to RT planning procedures.
METHODS: Regions
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.
PURPOSE: Bloodstream infection (BSI) is a life-threatening condition for which culture-based diagnosis is slow, motivating interest in machine learning (ML) models that predict BSI from routine clinical data. To date, this evidence has been summarized only narratively, without quantitative synthesis or formal appraisal of methodological quality. We performed a systematic review and meta-analysis of ML-based BSI prediction models to quantify their discriminative performance and appraise the certainty of the evidence.
METHODS: We searched five databases for English-language studies published be
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.
Production of nano-sized solid-dosage drugs is useful for pharmaceutical industry owing to high solubility and efficacy of the drugs for patients, which can also reduce the drugs side effects. For the solid-dosage oral formulations, the nanomedicine can be prepared via either top-down or bottom-up approach to enhance the drug solubility which in turns enhances the drug bioavailability. A novel methodology for simulation and prediction of medicine solubility in supercritical solvent was developed based on supervised learning algorithms for classification of the data. The data for the simulation
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 analyze the clinical value of predicting postoperative recovery in patients undergoing general anesthesia using an interpretable model based on swarm intelligence machine learning.
METHODS: This study retrospectively collected data from 1,128 patients who underwent general anesthesia at Sir Run Run Shaw Hospital, affiliated with Zhejiang University School of Medicine, from January 2021 to January 2024. Based on predefined inclusion and exclusion criteria, a total of 1,128 patients were included in the study, comprising Dataset A. Additionally, patients meeting the same criteria
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: Fetal growth restriction (FGR) is a common complication of preeclampsia. FGR in patients with preeclampsia increases the risk of neonatal-perinatal mortality and morbidity. However, previous prediction methods for FGR are class-biased or clinically unexplainable, which makes it difficult to apply to clinical practice, leading to a relative delay in intervention and a lack of effective treatments.
OBJECTIVE: The study aims to develop an auxiliary diagnostic model based on machine learning (ML) to predict the occurrence of FGR in patients with preeclampsia.
METHODS: This study used
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.
Objective: Using methylation characteristics of human genes to construct machine learning predictive models for screening cervical cancer and precancerous lesions. Methods: Human DNA methylation detection was performed on 224 cervical exfoliated cell specimens from the Cancer Hospital of the Chinese Academy of Medical Sciences, Tianjin Central Hospital of Gynecology Obstetrics, Xinmi Maternal and Child Health Hospital of Henan Province, West China Second Affiliated Hospital of Sichuan University, and Heping Hospital Affiliated to Changzhi Medical College collected during April 2014 and March 2
СтатьяВалидационное исследованиеАннотация на английскомПолный 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.
Postpartum haemorrhage (PPH) is a significant cause of maternal morbidity and mortality worldwide, particularly in low-resource settings. This study aimed to develop a predictive model for PPH using early risk factors and rank their importance in terms of predictive ability. The dataset was obtained from an observational case-control study in northern Rwanda. Various statistical models and machine learning techniques were evaluated, including logistic regression, logistic regression with elastic-net regularisation, Random Forests, Extremely Randomised Trees, and gradient-boosted trees with XGB
СтатьяСравнительное 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.
Loss to follow-up (LTFU) in tuberculosis (TB) management increases morbidity and mortality, challenging effective control strategies. This study aims to develop and evaluate machine learning models to predict loss to follow-up in TB patients, improving treatment adherence and outcomes. Retrospective data encompassing tuberculosis patients who underwent treatment or registration at the National Center for Clinical Medical Research on Infectious Diseases from January 2017 to December 2021 were compiled. Employing machine learning techniques, namely SVM, RF, XGBoost, and logistic regression, the
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.