首页 | 本学科首页   官方微博 | 高级检索  
文章检索
  按 检索   检索词:      
出版年份:   被引次数:   他引次数: 提示:输入*表示无穷大
  收费全文   4255246篇
  免费   353779篇
  国内免费   14405篇
耳鼻咽喉   60147篇
儿科学   136532篇
妇产科学   111205篇
基础医学   652256篇
口腔科学   114230篇
临床医学   392720篇
内科学   771623篇
皮肤病学   109934篇
神经病学   356042篇
特种医学   165663篇
外国民族医学   503篇
外科学   662173篇
综合类   119328篇
现状与发展   91篇
一般理论   2568篇
预防医学   353111篇
眼科学   100397篇
药学   294881篇
  24篇
中国医学   11310篇
肿瘤学   208692篇
  2021年   56786篇
  2020年   37857篇
  2019年   59158篇
  2018年   76828篇
  2017年   59114篇
  2016年   65409篇
  2015年   78282篇
  2014年   115352篇
  2013年   180387篇
  2012年   123217篇
  2011年   128875篇
  2010年   129600篇
  2009年   132167篇
  2008年   114991篇
  2007年   121651篇
  2006年   131118篇
  2005年   125458篇
  2004年   125288篇
  2003年   115364篇
  2002年   104534篇
  2001年   150913篇
  2000年   145398篇
  1999年   135254篇
  1998年   71425篇
  1997年   67348篇
  1996年   65235篇
  1995年   60446篇
  1994年   54231篇
  1993年   50360篇
  1992年   96338篇
  1991年   93062篇
  1990年   89355篇
  1989年   87140篇
  1988年   80291篇
  1987年   78752篇
  1986年   74103篇
  1985年   73148篇
  1984年   61765篇
  1983年   55514篇
  1982年   46091篇
  1981年   43158篇
  1980年   40548篇
  1979年   53139篇
  1978年   44073篇
  1977年   38930篇
  1976年   36295篇
  1975年   36295篇
  1974年   39450篇
  1973年   37655篇
  1972年   35278篇
排序方式: 共有10000条查询结果,搜索用时 15 毫秒
991.
992.
993.
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   
994.
995.
996.
997.
998.
999.
1000.
设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号