📄 Category

health informatics

155 Arbeiten

Die Gesundheitsinformatik verbindet Medizin mit Datenwissenschaft, um Patientendaten intelligent zu nutzen und Behandlungen zu verbessern. Auf Gist.Science machen wir die neuesten Forschungsergebnisse aus diesem dynamischen Feld für jeden verständlich. Wir erfassen jede neue Vorabveröffentlichung, die direkt von medRxiv in diese Kategorie eingeht, und bieten dazu sowohl klare Zusammenfassungen für ein breites Publikum als auch detaillierte technische Analysen für Fachleute an.

Dieser Ansatz sorgt dafür, dass komplexe Fortschritte in der digitalen Gesundheit schnell und ohne unnötiges Fachchinesisch zugänglich werden. Ob es um KI-gestützte Diagnosen oder die Verwaltung großer medizinischer Datensätze geht, hier finden Sie die aktuellen Entwicklungen aus der Praxis.

Nachfolgend finden Sie die neuesten Beiträge in diesem Bereich, die wir für Sie vorbereitet haben.

Beyond Identifier Matching: An Empirical Characterization of Failure Modes in Biomedical Knowledge Graph Integration

Diese Arbeit zeigt empirisch, dass sich die Integration biomedizinischer Wissensgraphen nicht ausschließlich auf Identifikator-Matching verlassen lässt, und offenbart, dass zwar Methoden auf Basis von Ontologie-Überschneidungen und Embeddings die Abdeckung erhöhen, jedoch systematisch klinisch signifikante Fehlermodi wie übermäßiges Zusammenführen und semantischen Kollaps einführen, die kritische Unterscheidungen in nachgelagerten Anwendungen verschleiern.

Hu, S., Cheng, H., Gillenwater, L., Manpearl, K., Mandava, A., Wang, Y., Pividori, M., Stranger, B., Krishnan, A., Greene, C., Gao, Y.2026-05-28📄 health informatics

Explainable AI for Data-Driven Design of High-Dimensional Predictive Studies

Dieser Beitrag stellt einen explorativen KI-Empfehlungsalgorithmus vor, der auf erklärbare KI zurückgreift, um datengestützte Empfehlungen für die Merkmalsauswahl, nichtlineare Terme und Interaktionen zu generieren und dadurch die Vorhersageleistung sowie die Interpretierbarkeit hochdimensionaler klinischer Modelle wie des Cox-Proportional-Hazards-Modells erheblich zu verbessern.

Yan, J., Machlanski, D., Butler, K., Dimitrakopoulos, P., Harrison, E. M., Guthrie, B. M., Tsaftaris, S. A.2026-05-24📄 health informatics

Ambient AI Documentation in Mixed-Language Encounters: A Heuristic Evaluation of Spanish-English and Mandarin-English Conversations

Diese Studie bewertet die Leistungsfähigkeit eines ambienten KI-Dokumentationssystems in mehrsprachigen klinischen Begegnungen und stellt fest, dass zwar die Gesamtfehlerquoten bei der Transkription gering sind und der Sprachwechsel im Allgemeinen zuverlässig erkannt wird, jedoch erhebliche Herausforderungen beim Mandarin-Englisch-Code-Switching bestehen, darunter hohe Fehlerausreißer und häufige Löschungen an den Wechselstellen.

Hu, D., Flores, D., Flores, L., Chien, R., Lam, K., Chow, E., Guo, Y., Tam, S., Perret, D., Pandita, D., Zheng, K.2026-05-22📄 health informatics

Evaluating Large Language Models for Translating Multimodal Phenotype Documentations into Executable EHR Phenotyping Algorithms

Diese Studie bewertet führende große Sprachmodelle für die Übersetzung multimodaler klinischer Phänotyp-Dokumentation in ausführbare EHR-Algorithmen und stellt fest, dass diese zwar strukturierte Texte effektiv interpretieren, ihre Leistung jedoch bei ausschließlich diagrammbasierten Eingaben erheblich nachlässt, wodurch letztlich die Dokumentationsqualität und nicht die Modellfähigkeit als primärer Engpass identifiziert wird.

Yan, C., Xin, Y., Su, W.-C., Gangireddy, S., Durbhakula, S., Bruehl, S. P., Dickson, A. L., Li, L., Feng, Q., Malin, B. A., Derr, T., Wei, W.-Q.2026-05-22📄 health informatics

Deep Learning and Machine Learning for Early Detection of Alzheimer's Disease: A Systematic Review and Meta-Analysis

Diese systematische Übersicht und Metaanalyse von 30 Studien zeigt, dass maschinelles Lernen und Deep-Learning-Algorithmen eine hohe diagnostische Genauigkeit für die Früherkennung der Alzheimer-Krankheit erreichen, wobei das Feld jedoch standardisierte Evaluierungsprotokolle und externe Validierung erfordert, um Overfitting zu mindern und die klinische Umsetzbarkeit sicherzustellen.

Machiraju, S.2026-05-22📄 health informatics

Asymmetry between warmth and clinical substance in multilingual consumer health AI

Diese Studie zeigt, dass mehrsprachige KI für Verbraucher-Gesundheit eine kritische Asymmetrie aufweist, bei der klinische Substanz und Sicherheit je nach Sprache erheblich variieren – oft in nicht-englischen Kontexten stillschweigend versagend –, während sie über alle Sprachen hinweg einen konsistenten, empathischen Ton beibehält.

Ariel, D., Grumberg, L. R., Supakul, S., Wannasri, S., Mitchnik, I. Y., Lev, A., Ariyamethanon, W., Agbarieh, M., Miari, S., Laban, G., Hasid, B.2026-05-14📄 health informatics

Epidemiology-Informed Graph Neural Networks for Predicting and Interpreting Transmissible Hospital-Acquired Infections: A Retrospective Cohort and Simulation Study

Dieser Beitrag schlägt ein epidemiologieinformiertes Graph-Neural-Network-Framework (EIGNN) vor, das mechanistische epidemiologische Modelle mit datengesteuerten Kontaktnetzwerken integriert, um nosokomiale Infektionsdynamiken präzise vorherzusagen und zu interpretieren und gleichzeitig durch Transparenz das klinische Vertrauen zu gewährleisten.

Vindas Yassine, Y. E., Bornet, A., Abbas, M., Geissbuehler, D., Rodrigues-Jr, J. F., Teodoro, D.2026-05-12📄 health informatics

Three Decades of FDA Authorizations of AI/ML Enabled Medical Devices: Persistent Specialty Concentration and the Care Delivery Gap (1995 to 2025)

Diese Querschnittsanalyse von 1.430 FDA-Zulassungen aus den Jahren 1995 bis 2025 zeigt, dass die Zulassungen von KI/ML-fähigen Medizinprodukten zwar exponentiell angestiegen sind, jedoch nach wie vor stark in bildintensiven diagnostischen Fachgebieten wie der Radiologie konzentriert bleiben, wodurch erhebliche Lücken in der Repräsentation anderer wichtiger klinischer Bereiche wie der Pathologie, der Geburtshilfe und der Verhaltensgesundheit bestehen.

Golshani, P., Joseph, M. S.2026-05-12📄 health informatics

Machine Learning and Explainable AI for Multi-State Classification of Malaria Transmission Dynamics in Kenya

Diese Studie entwickelt und validiert ein interpretierbares maschinelles Lernverfahren auf Basis von Extreme Gradient Boosting, um die Malaria-Übertragungszustände in den 47 Countys Kenias von 2015 bis 2025 präzise zu klassifizieren, und zeigt dabei, dass die Integration epidemiologischer und umweltbezogener Daten eine gezielte Überwachung und Ressourcenallokation wirksam unterstützen kann.

Gogo, J. A., Wanyonyi, M.2026-05-12📄 health informatics

MISP-Bench: Decomposing User-Provided False Priors into Answer, Rationale, and Guard Effects

Die Arbeit stellt MISP-Bench vor, einen groß angelegten faktoriellen Benchmark zur Bewertung, wie Open-Weight-Sprachmodelle auf vom Nutzer bereitgestellte falsche Prioritäten in klinischen und pädagogischen Kontexten reagieren, und zeigt auf, dass kombinierte Angriffe mittels Antwort und Begründung sub-additive Schäden verursachen, dass gezielte Ablenkungen im Vergleich zu willkürlichen die Schmeichelei signifikant erhöhen und dass spezifische Sicherheitsstrategien (wie Quellenunabhängigkeit und explizite Überschreibungen) die Anfälligkeit für Fehlinformationen über diverse Modelle hinweg wirksam mindern.

Jeong, I., Kim, Y., Park, J.-H., Lee, H.2026-05-10📄 health informatics