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
35288 публикаций
Поиск: 196 мс
Публикации на разных языках · PubMed, Europe PMC и данные издателей через Crossref · 2553 с найденным полным текстом
Clinical and translational gastroenterology2023eng
INTRODUCTION: Endoscopic evaluation is crucial for predicting the invasion depth of esophagus squamous cell carcinoma (ESCC) and selecting appropriate treatment strategies. Our study aimed to develop and validate an interpretable artificial intelligence-based invasion depth prediction system (AI-IDPS) for ESCC.
METHODS: We reviewed the PubMed for eligible studies and collected potential visual feature indices associated with invasion depth. Multicenter data comprising 5,119 narrow-band imaging magnifying endoscopy images from 581 patients with ESCC were collected from 4 hospitals between Apri
ОбзорСтатьяПоддержка 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.
BACKGROUND: Disease progression prediction based on neuroimaging biomarkers is vital in Alzheimer's disease (AD) research. Convolutional neural networks (CNN) have been proved to be powerful for various computer vision research by refining reliable and high-level feature maps from image patches.
OBJECTIVE: A key challenge in applying CNN to neuroimaging research is the limited labeled samples with high dimensional features. Another challenge is how to improve the prediction accuracy by joint analysis of multiple data sources (i.e., multiple time points or multiple biomarkers). To address thes
СтатьяПоддержка NIH: внешняя программаПоддержка исследования: вне правительства СШАПоддержка 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: Peritoneal recurrence is the predominant pattern of relapse after curative-intent surgery for gastric cancer and portends a dismal prognosis. Accurate individualised prediction of peritoneal recurrence is crucial to identify patients who might benefit from intensive treatment. We aimed to develop predictive models for peritoneal recurrence and prognosis in gastric cancer.
METHODS: In this retrospective multi-institution study of 2320 patients, we developed a multitask deep learning model for the simultaneous prediction of peritoneal recurrence and disease-free survival using preop
СтатьяПоддержка NIH: внешняя программаПоддержка 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.
PURPOSE: We aim to investigate whether a breast cancer risk model can be trained with transfer learning from a breast cancer detection model.
APPROACH: An existing open-source breast cancer detection model was used to extract the latent space representation of a local dataset composed of images from 17,878 breast cancer screening participants. An autoencoder network was used for dimensionality reduction. A final model training step mapped the reduced representation to 4-year breast cancer risk. Two experimental studies were performed: first, a local dataset was used to investigate the impact
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: Machine learning models may help localize the site of origin of ventricular tachycardia (VT) using 12-lead electrocardiograms. However, population-based models suffer from inter-subject anatomical variations within ECG data, while patient-specific models face the open challenge of what pacing data to collect for training.
METHODS: This study presents and validates the first hybrid model that combines population and patient-specific machine learning for rapid "computer-guided pace-mapping". A population-based deep learning model was first trained offline to disentangle inter-subjec
СтатьяПоддержка NIH: внешняя программаПоддержка исследования: вне правительства СШАПоддержка 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.
Midostaurin and its active metabolites are substrates, mixed inhibitors/inducers of cytochrome P450 (CYP)3A4. The main objective of this study was to develop/refine a physiologically based pharmacokinetic (PBPK) model that incorporated recent clinical drug-drug interaction (DDI) data with midazolam after multiple dosing, to qualify the pharmacokinetic (PK) model simulations of midostaurin and its metabolites, and to apply it to predict untested clinical DDI scenarios with potential comedications. In this study, Simcyp PBPK model of midostaurin and its 2 metabolites was refined from a previousl
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: Urinary incontinence (UI) is the inability to completely control the process of releasing urine. UI presents a social, medical, and mental issue with financial consequences.
OBJECTIVE: This paper proposes a framework based on machine learning for predicting urination time, which can benefit people with various degrees of UI.
METHOD: A total of 850 data points were self-recorded by 51 participants to investigate how different factors impact urination time. The participants were instructed to record input data (such as the time of consumption and the number of drinks) and output da
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.
This study proposes a process model for sharing ambiguous category concepts in virtual reality (VR) using an active inference framework. The model executes a dual-layer Bayesian update after observing both self and partner actions and predicts actions that minimize free energy. To incorporate agreement-seeking with others into active inference, we added disagreement in category judgments as a risk term in the free energy, weighted by gaze synchrony measured using Dynamic Time Warping (DTW), which is assumed to reflect joint attention. To validate the model, an object classification task in VR
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 copper(I)-catalyzed alkyne-azide cycloaddition (CuAAC) reaction, a major click chemistry reaction, is widely employed in drug discovery and chemical biology. However, the success rate of the CuAAC reaction is not satisfactory as expected, and in order to improve its performance, we developed a recurrent neural network (RNN) model to predict its feasibility. First, we designed and synthesized a structurally diverse library of 700 compounds with the CuAAC reaction to obtain experimental data. Then, using reaction SMILES as input, we generated a bidirectional long-short-term memory with a sel
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.
Therapeutic peptides are emerging as a powerful class of pharmaceuticals that combine the synthetic accessibility of small molecules with the specificity of biologics, yet poor stability and low oral bioavailability remain barriers. This review surveys an expanded, scope-defined set of 39 therapeutic peptide databases and 62 computational tools for activity prediction, physicochemical profiling, structural modeling and rational design. We highlight how machine learning and deep learning are accelerating data-driven peptide drug discovery and discuss the urgent need for standardized data framew
СтатьяОбзорПоиск 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.
This work tackles the automatic prediction of grasping intention of humans observing their environment. Our target application is the assistance to people with motor disabilities and potential cognitive impairments, using assistive robotics. Our proposal leverages the analysis of human attention captured in the form of gaze fixations recorded by an eye-tracker on the first person video, as the anticipation of prehension actions is a well studied and well known phenomenon. We propose a multi-task system that simultaneously addresses the prediction of human attention in the near future, and the
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.
PURPOSE: To assess the predictive capability of hematological inflammatory markers for urethral stricture recurrence after primary urethroplasty and to compare traditional statistical methods with a machine-learning-based artificial intelligence algorithm.
MATERIALS AND METHODS: Two hundred eighty-seven patients who underwent primary urethroplasty were scanned. Ages, smoking status, comorbidities, hematological inflammatory parameters (neutrophil-lymphocyte ratios, platelet-lymphocyte ratios [PLR], systemic immune-inflammation indexes [SII], and pan-immune-inflammation values [PIV]), strictur
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.
Sleep-disordered breathing is an important health issue for children. The objective of this study was to develop a machine learning classifier model for the identification of sleep apnea events taken exclusively from nasal air pressure measurements acquired during overnight polysomnography for paediatric patients. A secondary objective of this study was to differentiate site of obstruction exclusively from hypopnea event data using the model. Computer vision classifiers were developed via transfer learning to either normal breathing while asleep, obstructive hypopnea, obstructive apnea or cent
СтатьяПоддержка NIH: внешняя программаПоиск 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.
IntroductionLymphovascular invasion (LVI) is associated with poor outcomes in lung adenocarcinoma, yet accurate preoperative prediction in clinical stage IA disease remains difficult. We aimed to develop and validate a multicenter ensemble machine-learning model that integrates intratumoral heterogeneity (ITH) score and clinicoradiological features for preoperative LVI prediction.MethodsIn this retrospective multicenter prediction-model development and external validation study, 1,527 patients with surgically confirmed stage IA lung adenocarcinoma from three tertiary centers were included. Pat
СтатьяМногоцентровое 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.
As plastic pollution becomes increasingly severe, the additives released during its degradation have attracted widespread attention. How to effectively assess the potential hazards of plastic additives and identify candidates with relatively lower predicted intrinsic hazard potential for further evaluation has become an urgent issue. Experimental hazard assessment is costly and time-consuming, and the limited availability of baseline data prevents comprehensive screening of the large number of plastic additives in use. Currently, most additives lack sufficient baseline data, making it difficul
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.
Prognostic machine learning models can help identify patients in need of advance care planning (ACP) conversations. However, additional work is needed to understand which factors guide physicians' comfort with and prioritization of ACP conversations, even after such nudges. In this exploratory secondary analysis of a cluster randomized trial, we examine the relationship between characteristics of internal medicine physicians (eg, training background and practice patterns) and likelihood of ACP conversation following notification by a mortality risk prediction machine learning model.
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: Lower extremity endovascular revascularization for peripheral artery disease carries nonnegligible perioperative risks; however, outcome prediction tools remain limited. Using machine learning, we developed automated algorithms that predict 30-day outcomes following lower extremity endovascular revascularization.
METHODS AND RESULTS: The National Surgical Quality Improvement Program targeted vascular database was used to identify patients who underwent lower extremity endovascular revascularization (angioplasty, stent, or atherectomy) for peripheral artery disease between 2011 and
СтатьяПоддержка 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.
OBJECTIVE: With the development of wearable sensors, head kinematics data have become widely available. However, key impact information-such as impact direction, speed, and force-which is crucial for helmet development, is still not being directly measured. This study presents a deep learning model designed to accurately predict these head impact parameters from head kinematics during helmeted impacts.
METHODS: Leveraging a dataset of 16,000 simulated helmeted head impacts using the Riddell helmet finite element model, we implemented a Long Short-Term Memory (LSTM) network to process the head
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 investigate a deep learning model for predicting hepatic decompensation using computed tomography (CT) imaging in patients with primary sclerosing cholangitis (PSC).
PATIENTS AND METHODS: Retrospective cohort study involving 277 adult patients with large-duct PSC who underwent an abdominal CT scan. The portal venous phase CT images were used as input to a 3D-DenseNet121 model, which was trained using 5-fold crossvalidation to classify hepatic decompensation. To further investigate the role of each anatomic region in the model's decision-making process, we trained the model on di
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.
Sepsis is known as a common syndrome in intensive care units (ICU), and severe sepsis and septic shock are among the leading causes of death worldwide. The purpose of this study is to develop a deep learning model that supports clinicians in efficiently managing sepsis patients in the ICU by predicting mortality, ICU length of stay (>14 days), and hospital length of stay (>30 days). The proposed model was developed using 591 retrospective data with 16 tabular data related to a sequential organ failure assessment (SOFA) score. To analyze tabular data, we designed the modified architecture of th
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.