193 Arbeiten
Diese Fallstudie zeigt, dass ein auf Retrieval-Augmented Generation basierender KI-Assistent für finnische Gesundheitsdienste erhebliche geschlechtsspezifische Verzerrungen aufweist, die zu unangemessenen medizinischen Empfehlungen führen, indem sie weibliche Patientinnen stereotyp auf Kinderbetreuung und reproduktive Gesundheit reduzieren.
Diese Studie stellt einen synthetischen, literaturbasierten Rahmen für onkologische klinische Phase-II-Studien vor, der die Integration radiografischer, molekularer (ctDNA), Sicherheits- und Überlebensdaten demonstriert, um einen kohärenten Wirksamkeits-Sicherheits-Signalverlauf zu erzeugen und als entscheidungsorientiertes Prototyp für die klinische Datenwissenschaft zu dienen.
Die Studie zeigt, dass der Ersatz von Röntgenbildern durch radiologische Berichte die Prognosegenauigkeit für die 30-Tage-Mortalität verringert und zu einer veränderten Risikopriorisierung führt, da schriftliche Zusammenfassungen wichtige visuelle prognostische Hinweise nicht vollständig erfassen.
Diese systematische Überprüfung und scientometrische Analyse von 928 Studien zur KI-gestützten Auswertung von Thorax-Röntgenaufnahmen zeigt erhebliche globale Ungleichheiten auf, da Forschung und Trainingsdaten überwiegend von Hochlohnländern dominiert werden, was das Risiko birgt, dass KI-Systeme in unterschiedlichen Gesundheitssystemen unzuverlässig funktionieren und bestehende Gesundheitsdisparitäten verschärfen.
Diese multimethodische Studie zeigt, dass die wahrgenommene Sicherheit in Kriseneinheiten der Verhaltensgesundheit die Auswahl der Einrichtungen durch Patienten und Angehörige maßgeblich beeinflusst und dass KI-gestützte Werkzeuge trotz einiger Unterschiede in der Risikowahrnehmung wertvolle Unterstützung für die Gestaltung sicherer Umgebungen bieten können.
Eine große internationale Umfrage unter medizinischen Peer-Reviewern zeigt, dass trotz hoher Bekanntheit von KI-Chatbots deren Einsatz im Begutachtungsprozess noch begrenzt ist und vor einer breiteren Implementierung ethische Bedenken sowie der Mangel an Schulungen adressiert werden müssen.
Die Studie zeigt, dass ein standardisierter, hochdurchsatzfähiger Workflow zur Verknüpfung von elektronischen Gesundheitsakten und Abrechnungsdaten fragmentierte Einzelstudien durch umfassende, vergleichbare Evidenzpakete ersetzt, die die Behandlungseffektheterogenität in verschiedenen Patientengruppen sichtbar machen und so redundante Forschung reduzieren.
Diese Studie stellt einen prevalenzadaptiven Bayes'schen Ensemble-Ansatz vor, der durch VAE-Datenaugmentierung und Entropie-basierte Unsicherheitsquantifizierung eine fehlerfreie Vorhersage in der Validierungsgruppe sowie eine klinisch sinnvolle Sensitivität bei der Gesamtüberprüfung der perioperativen Sterblichkeit in ressourcenarmen Umgebungen erreicht.
Die Studie stellt TELF vor, einen ressourceneffizienten, end-to-end Temporal Encoder mit Late Fusion, der ohne aufwändige Vortrainingsschritte auskommt und durch überlegene Vorhersagegenauigkeit sowie interpretierbare klinische Verläufe bei der Risikoprognose für Krankheiten wie Bauchspeicheldrüsenkrebs, Typ-2-Diabetes und Herzinsuffizienz aus longitudinalen Real-World-Daten überzeugt.
Die Studie zeigt, dass eine auf 30-Sekunden-Stimmaufnahmen basierende Altersvorhersage ein skalierbarer, nicht-invasiver Biomarker für das biologische Altern ist, der mit etablierten Altersuhren vergleichbar korreliert und unabhängig mit Adipositas, Schlafstörungen sowie kardiometabolischen Risiken assoziiert ist.
Die Studie stellt „Digital Registrar" vor, ein datenbankorientiertes Framework, das mithilfe lokaler Large Language Models und streng definierter Schemata unstrukturierte pathologische Krebsberichte in maschinenlesbare, registrierkonforme Daten umwandelt und dabei Datenschutz sowie Interoperabilität gewährleistet.
Die Studie zeigt, dass CD276 zwar mit dem Meningeom-Grad assoziiert ist, aber als alleiniger Prädiktor oder dominantes Merkmal ungeeignet ist, wobei die Vorhersagekraft vielmehr auf einer breiteren multigenen Transkriptomstruktur beruht, die eine konservative Interpretation unter Berücksichtigung der Kalibrierung erfordert.
Diese Studie untersucht die Reproduzierbarkeit und Robustheit verschiedener Large Language Models bei der Extraktion von Mobilitätsfunktionsstatus aus klinischen Texten, identifiziert den negativen Einfluss von Temperatur und Prompt-Variationen auf die Stabilität und zeigt, dass Selbstkonsistenz durch Mehrheitsvoting die Zuverlässigkeit erheblich verbessert.
Diese Studie zeigt, dass maschinelle Lernmodelle, die auf strukturierten Daten aus der elektronischen Patientenakte basieren, die Kansas City Cardiomyopathy Questionnaire (KCCQ)-Scores bei Herzinsuffizienzpatienten mit klinisch relevanter Genauigkeit schätzen und so eine Lücke bei unvollständigen patientenberichteten Daten schließen können.
Die Studie zeigt, dass neuere GPT-Modelle, insbesondere die effizienten „Mini"-Varianten, bei der Extraktion sozialer Gesundheitsdeterminanten aus unstrukturierten klinischen Notizen regelbasierten Systemen überlegen sind und durch eine späte Fusion beider Ansätze die Genauigkeit auf Domänenebene weiter gesteigert werden kann.
Die Studie zeigt, dass ein auf 500.000 de-identifizierte klinische Notizen feinabgestimmtes Qwen3-4B-Modell durch überwachte Weiterpre-Training medizinisches Fachwissen effektiv erlangt und dabei in spezifischen klinischen Aufgaben besser abschneidet als größere, nicht medizinisch trainierte Modelle, ohne dabei seine allgemeinen Fähigkeiten zu verlieren.
Die Arbeit stellt Med-ICE vor, ein autonomes Multi-Agenten-Framework, das durch iterative Konsensbildung und semantische Übereinstimmung die faktische Genauigkeit und Zuverlässigkeit von medizinischen KI-Systemen signifikant verbessert und dabei auf externe Prüfer verzichtet.
Die Studie zeigt, dass die Zuverlässigkeit medizinischer KI-Forschungssysteme maßgeblich von der Vermeidung von Zitationshalluzinationen abhängt und dass ein mehrstufiger Bewertungsrahmen mit programmatischer Verifikation im Vergleich zu rein subjektiven LLM-Bewertungen zu einer deutlich zuverlässigeren Einschätzung der wissenschaftlichen Integrität führt.
Die Studie zeigt, dass Multi-Task-Learning mit einem reinen Komposit-Ziel die Modellierung psychosozialer Belastungen in Krebs-Foren am effektivsten unterstützt, während Soft-Label-Supervision durch LLMs im Vergleich zu harten Labels keine Leistungsverbesserung bei der Emotionsklassifizierung brachte.
Diese Studie zeigt, dass maschinelle Lernmodelle, die auf akustischen Vokaleigenschaften wie der Grundfrequenz basieren, mit einer Genauigkeit von 89 % zwischen erwachsenen Menschen mit Autismus und neurotypischen Erwachsenen unterscheiden können, was einen vielversprechenden Ansatz für eine transparente und skalierbare Unterstützung bei der Autismus-Screening bietet.