全文获取类型
收费全文 | 4407079篇 |
免费 | 352339篇 |
国内免费 | 14817篇 |
专业分类
耳鼻咽喉 | 61093篇 |
儿科学 | 140994篇 |
妇产科学 | 115196篇 |
基础医学 | 673830篇 |
口腔科学 | 119210篇 |
临床医学 | 403105篇 |
内科学 | 802055篇 |
皮肤病学 | 108657篇 |
神经病学 | 373708篇 |
特种医学 | 171221篇 |
外国民族医学 | 757篇 |
外科学 | 664190篇 |
综合类 | 122018篇 |
现状与发展 | 24篇 |
一般理论 | 2719篇 |
预防医学 | 366699篇 |
眼科学 | 102392篇 |
药学 | 312165篇 |
26篇 | |
中国医学 | 12070篇 |
肿瘤学 | 222106篇 |
出版年
2021年 | 56579篇 |
2020年 | 36089篇 |
2019年 | 59226篇 |
2018年 | 75014篇 |
2017年 | 57457篇 |
2016年 | 63667篇 |
2015年 | 76605篇 |
2014年 | 111031篇 |
2013年 | 176896篇 |
2012年 | 128843篇 |
2011年 | 134315篇 |
2010年 | 127621篇 |
2009年 | 128919篇 |
2008年 | 120412篇 |
2007年 | 128308篇 |
2006年 | 136958篇 |
2005年 | 131216篇 |
2004年 | 132202篇 |
2003年 | 122483篇 |
2002年 | 111525篇 |
2001年 | 167273篇 |
2000年 | 162314篇 |
1999年 | 148983篇 |
1998年 | 72040篇 |
1997年 | 67846篇 |
1996年 | 65855篇 |
1995年 | 61199篇 |
1994年 | 55108篇 |
1993年 | 51132篇 |
1992年 | 106730篇 |
1991年 | 101498篇 |
1990年 | 97367篇 |
1989年 | 94935篇 |
1988年 | 87239篇 |
1987年 | 85409篇 |
1986年 | 80287篇 |
1985年 | 78467篇 |
1984年 | 65530篇 |
1983年 | 58330篇 |
1982年 | 47326篇 |
1981年 | 43974篇 |
1980年 | 41173篇 |
1979年 | 55180篇 |
1978年 | 44830篇 |
1977年 | 40038篇 |
1976年 | 36885篇 |
1975年 | 36866篇 |
1974年 | 39667篇 |
1973年 | 37793篇 |
1972年 | 35405篇 |
排序方式: 共有10000条查询结果,搜索用时 78 毫秒
931.
932.
933.
934.
935.
936.
Xinran Liu James Anstey Ron Li Chethan Sarabu Reiri Sono Atul J. Butte 《Applied clinical informatics》2021,12(2):407
Background Machine learning (ML) has captured the attention of many clinicians who may not have formal training in this area but are otherwise increasingly exposed to ML literature that may be relevant to their clinical specialties. ML papers that follow an outcomes-based research format can be assessed using clinical research appraisal frameworks such as PICO (Population, Intervention, Comparison, Outcome). However, the PICO frameworks strain when applied to ML papers that create new ML models, which are akin to diagnostic tests. There is a need for a new framework to help assess such papers. Objective We propose a new framework to help clinicians systematically read and evaluate medical ML papers whose aim is to create a new ML model: ML-PICO (Machine Learning, Population, Identification, Crosscheck, Outcomes). We describe how the ML-PICO framework can be applied toward appraising literature describing ML models for health care. Conclusion The relevance of ML to practitioners of clinical medicine is steadily increasing with a growing body of literature. Therefore, it is increasingly important for clinicians to be familiar with how to assess and best utilize these tools. In this paper we have described a practical framework on how to read ML papers that create a new ML model (or diagnostic test): ML-PICO. We hope that this can be used by clinicians to better evaluate the quality and utility of ML papers. 相似文献
937.
938.
939.
940.