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
21233 публикаций
Поиск: 153 мс
Публикации на разных языках · PubMed, Europe PMC и данные издателей через Crossref · 1553 с найденным полным текстом
Pacing and clinical electrophysiology : PACE2021eng
BACKGROUND: An accurate assessment of permanent pacemaker implantation (PPI) risk following transcatheter aortic valve replacement (TAVR) is important for clinical decision making. The aims of this study were to investigate the significance and utility of pre- and post-TAVR ECG data and compare machine learning approaches with traditional logistic regression in predicting pacemaker risk following TAVR.
METHODS: Five hundred fifity seven patients in sinus rhythm undergoing TAVR for severe aortic stenosis (AS) were included in the analysis. Baseline demographics, clinical, pre-TAVR ECG, post-TA
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: Cardiovascular diseases (CVDs) remain the leading cause of morbidity and mortality in end-stage kidney disease patients, with persistently high rates of major adverse cardiovascular events (MACEs). Traditional risk factors such as diabetes and hypertension have limited predictive value in this population, while chronic kidney disease (CKD)-specific factors including inflammation, disordered mineral metabolism, and vascular calcification play significant roles. Therefore, we developed a machine learning-based model incorporating traditional and CKD-specific variables to improve MACE
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: Cognitive impairment in Parkinson's disease (PD-CI) is a prevalent non-motor symptom, significantly diminishing quality of life and imposing a substantial family burden. Effective predictive tools are currently scarce, and the diagnostic pathway is intricate. With the growing use of artificial intelligence in healthcare, machine learning (ML) methodologies have been explored for the diagnosis and early risk prediction of PD-CI; however, their efficacy and accuracy necessitate systematic evaluation. Consequently, this investigation undertook a systematic review and meta-analysis.
M
СтатьяСистематический обзорПолный 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.
OBJECTIVES: Machine learning models can support an individualized approach in the choice of bDMARDs. We developed prediction models for 5 different bDMARDs using machine learning methods based on patient data derived from the Austrian Biologics Registry (BioReg).
METHODS: Data from 1397 patients and 19 variables with at least 100 treat-to-target (t2t) courses per drug were derived from the BioReg biologics registry. Different machine learning algorithms were trained to predict the risk of ineffectiveness for each bDMARD within the first 26 weeks. Cross-validation and hyperparameter optimizati
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.
BACKGROUND: For women in the first trimester, amniocentesis or chorionic villus sampling is recommended for screening. Machine learning has shown increased accuracy over time and finds numerous applications in enhancing decision-making, patient care, and service quality in nursing and midwifery. This study aims to develop an optimal learning model utilizing machine learning techniques, particularly neural networks, to predict chromosomal abnormalities and evaluate their predictive efficacy.
METHODS/ DESIGN: This cross-sectional study will be conducted in midwifery clinics in Mashhad, Iran in
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: Cytopenia is a frequent complication among HIV-infected patients who require hospitalization. It can have a negative impact on the treatment outcomes for these patients. However, by leveraging machine learning techniques and electronic medical records, a predictive model can be developed to evaluate the risk of cytopenia during hospitalization in HIV patients. Such a model is crucial for designing a more individualized and evidence-based treatment strategy for HIV patients.
METHOD: The present study was conducted on HIV patients who were admitted to Guangxi Chest Hospital between
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: The purpose of this study was to evaluate the effect of estrogen receptor 1 (ESR1) polymorphisms on the development of medication-related osteonecrosis of the jaws (MRONJ) in women with osteoporosis.
METHODS: A total of 125 patients taking bisphosphonates was evaluated the relationship between MRONJ occurrence and single nucleotide polymorphisms (SNPs) of ESR1. Clinical information was collected, including current age, treatment duration, and comorbidity. Univariate and Multivariable regression analyzes were performed to evaluate the independent predictive factors for MRONJ occurre
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.
Metal-based catalysts are widely used in many kinds of reactions, including the hydrogenation of CO2 to alcohols. Adsorption energies of key intermediates have often been used as descriptors in high-throughput catalyst screening. However, establishing machine learning models to accurately predict adsorption energies of widely spanned species is still challenging. In the present article, we explored the predictive power of sure independence screening and sparsifying operator (SISSO), multilayer perceptron regression (MLPR), random forest regression (RFR), kernel ridge regression (KRR), support
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.
Apparent treatment-resistant hypertension (aTRH), defined as blood pressure (BP) that remains uncontrolled despite unconfirmed concurrent treatment with three antihypertensives, is associated with an increased risk of developing cardiovascular and renal complications compared with controlled hypertension. We aimed to identify the characteristics of aTRH patients with an elevated risk of major adverse cardiovascular events plus (MACE+; defined as stroke, myocardial infarction, or heart failure hospitalization) and end stage renal disease (ESRD). This retrospective cohort study included aTRH pat
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.
OBJECTIVES: For population databases, multivariable regressions are established analytical standards. The utilization of machine learning (ML) in population databases is novel. We compared conventional statistical methods and ML for predicting mortality in biliary acute pancreatitis (biliary AP).
METHODS: Using the Nationwide Readmission Database (2010-2014), we identified patients (age ≥18 years) with admissions for biliary AP. These data were randomly divided into a training (70%) and test set (30%), stratified by the outcome of mortality. The accuracy of ML and logistic regression models i
Сравнительное исследованиеСтатьяПолный 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.
IMPORTANCE: Better prediction of major bleeding after percutaneous coronary intervention (PCI) may improve clinical decisions aimed to reduce bleeding risk. Machine learning techniques, bolstered by better selection of variables, hold promise for enhancing prediction.
OBJECTIVE: To determine whether machine learning techniques better predict post-PCI major bleeding compared with the existing National Cardiovascular Data Registry (NCDR) models.
DESIGN, SETTING, AND PARTICIPANTS: This comparative effectiveness study used the NCDR CathPCI Registry data version 4.4 (July 1, 2009, to April 1, 201
Сравнительное исследованиеСтатьяПоддержка исследования: вне правительства СШАПоддержка 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: Meningiomas are common intracranial tumors. Machine learning (ML) algorithms are emerging to improve accuracy in 4 primary domains: classification, grading, outcome prediction, and segmentation. Such algorithms include both traditional approaches that rely on hand-crafted features and deep learning (DL) techniques that utilize automatic feature extraction. The aim of this study was to evaluate the performance of published traditional ML versus DL algorithms in classification, grading, outcome prediction, and segmentation of meningiomas.
METHODS: A systematic review and meta-analys
МетаанализСистематический 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.
PURPOSE: Deep-learning (DL) techniques have been successful in disease-prediction tasks and could improve the prediction of mandible osteoradionecrosis (ORN) resulting from head and neck cancer (HNC) radiation therapy. In this study, we retrospectively compared the performance of DL algorithms and traditional machine-learning (ML) techniques to predict mandible ORN binary outcome in an extensive cohort of patients with HNC.
METHODS AND MATERIALS: Patients who received HNC radiation therapy at the University of Texas MD Anderson Cancer Center from 2005 to 2015 were identified for the ML (n = 1
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 clinical practice, many drug therapies are associated with prolongation of the QT interval. In literature, estimation of the risk of prescribing drug-induced QT prolongation is mainly executed by means of logistic regression; only one paper reported the use of machine learning techniques. In this paper, we compare the performance of both techniques on the same dataset. High risk for QT prolongation was defined as having a corrected QT interval (QTc) ≥ 450 ms or ≥ 470 ms for respectively male and female patients. Both conventional statistical methods (CSM) and machine learning techniques (ML
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.
Reliable hospital length of stay (LOS) predictions improve patient outcomes and optimize clinical pathways in stroke care. There is limited evidence systematically investigating benefits and limitations of existing machine learning (ML) models for determining factors associated with LOS. We conducted a scoping review to: (1) investigate factors affecting LOS in stroke to identify key predictors for enhancing ML models; and (2) assess the performance of predictive models (ML and traditional models) to generate insights for improving LOS predictions. This review was undertaken in Ovid MEDLINE, O
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.
Gut microbes is a crucial factor in the pathogenesis of type 1 diabetes (T1D). However, it is still unclear which gut microbiota are the key factors affecting T1D and their influence on the development and progression of the disease. To fill these knowledge gaps, we constructed a model to find biomarker from gut microbiota in patients with T1D. We first identified microbial markers using Linear discriminant analysis Effect Size (LEfSe) and random forest (RF) methods. Furthermore, by constructing co-occurrence networks for gut microbes in T1D, we aimed to reveal all gut microbial interactions a
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.
In recent years, there has been a rapid increase in the application of machine learning methods about predicting the incidence of dengue fever. However, the predictive factors and models employed in different studies vary greatly. Hence, we conducted a systematic review to summarize machine learning methods and predictors in previous studies. We searched PubMed, ScienceDirect, and Web of Science databases for articles published up to July 2023. The selected papers included not only the forecast of dengue incidence but also machine learning methods. A total of 23 papers were included in this st
Систематический обзорСтатьяПоиск 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 has shown potential in accurately predicting outcomes after orthopedic surgery, thereby allowing for improved patient selection, risk stratification, and preoperative planning. This study sought to develop machine learning models to predict nonhome discharge after total shoulder arthroplasty (TSA).
METHODS: The American College of Surgeons National Surgical Quality Improvement Program database was queried for patients who underwent elective TSA from 2012 to 2018. Boosted decision tree and artificial neural networks (ANN) machine learning models were developed to p
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.
Amyloid-[Formula: see text] (A[Formula: see text]) is the target in many clinical trials for Alzheimer's disease (AD). Preclinical AD patients are heterogeneous with regards to different backgrounds and diagnosis. Accurately predicting A[Formula: see text] status of participants by using machine learning (ML) models based on easily accessible data, could improve the effectiveness of AD clinical trials. We will develop optimal ML models for each subpopulation stratified by sex and disease stages using sub scores from screening neurological tests. Data from the AD Neuroimaging Initiative (ADNI)
СтатьяПоддержка NIH: внешняя программаПолный 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.
Microbial resistance to antibiotics is a rising concern among health care professionals, driving them to search for alternative therapies. In the past few years, antimicrobial peptides (AMPs) have attracted a lot of attention as a substitute for conventional antibiotics. Antimicrobial peptides have a broad spectrum of activity and can act as antibacterial, antifungal, antiviral and sometimes even as anticancer drugs. The antibacterial peptides have little sequence homology, despite common properties. Since there is a need to develop a computational method for predicting the antibacterial pepti
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.