📄 Category

health informatics

225 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.

📄 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

Unmeasured but Not Unbiased: The Missingness Demographic Leakage Audit (MDLA) for Calibration-Aware Fairness Evaluation in Critical Care Mortality Prediction

Dieser Beitrag stellt das Missingness Demographic Leakage Audit (MDLA) vor, ein reproduzierbares Rahmenwerk, das aufzeigt, wie Muster fehlender klinischer Daten in Mortalitätsmodellen der Intensivmedizin als subtile, nicht gemessene demografische Stellvertreter wirken können, was die Integration von fehlwertbewusster Prüfung und kalibrierungsbewusster Bewertung in Validierungspipelines für klinische KI erforderlich macht.

Patel, K., Beedala, P.2026-05-03
📄 health informatics

Disease Risk Prediction Using Structured EHR Data: Can Generalist Large Language Models Match Specialized Clinical Foundation Models? A Comparative Evaluation with Fine-Tuning

Diese vergleichende Evaluierung zeigt, dass zwar feinabgestimmte allgemeine große Sprachmodelle bei der strukturierten Vorhersage von Krankheitsrisiken in elektronischen Patientenakten im Allgemeinen unter spezialisierten klinischen Basismodellen liegen, jedoch von großen Sprachmodellen generierte Einbettungen in Kombination mit leichten Klassifikatoren sowohl bei den AUROC- als auch bei den AUPRC-Metriken eine überlegene Leistung erzielen können.

Mao, B., Prasadha, M. K., Xie, Z., He, J., Ghebranious, M., Xu, H., Zhi, D., Rasmy, L.2026-05-01
📄 health informatics

Protocol for the REVELIO test-track pilot study: a randomised, controlled, single-centre trial in healthy recreational cannabis users investigating real-time in-vehicle detection of cannabis-impaired driving

Das REVELIO-Protokoll beschreibt eine randomisierte, kontrollierte Pilotstudie auf einer geschlossenen Teststrecke, die die Durchführbarkeit eines multimodalen Fahrzeugsystems zur Erkennung von Cannabis-bedingter Fahrbeeinträchtigung bei gesunden Gelegenheitskonsumenten bewertet, indem Fahrzeug-, Fahrer- und biologische Daten nach kontrollierter THC-Verabreichung korreliert werden.

Bechny, M., Deuber, R., Heck, C., Brügger, J., Pfäffli, M., Jovanova, M., Fleisch, E., Wortmann, F., Weinmann, W.2026-05-01
📄 health informatics

AERO: An AI Agent for Adaptive Eligibility Refinement and Optimization of Clinical Trial Criteria in Real-World Trial Emulation

Das Papier stellt AERO vor, ein KI-Agenten-Framework, das die Eignungskriterien klinischer Studien für die Emulation von Realweltdaten optimiert, indem es große Sprachmodelle nutzt, um Kriterien systematisch zu klassifizieren und zu verfeinern, wodurch die Generalisierbarkeit und Genauigkeit von Behandlungseffektschätzungen verbessert werden, wie in einer WARCEF-Studien-Emulation demonstriert wurde.

Li, X., James, J., Pellikka, P. A., Zong, N.2026-05-01
📄 health informatics

Integrating Group and Individual Fairness Auditing in Clinical AI: A Post-Hoc, Model-Agnostic Approach

Dieser Beitrag stellt EquiLense vor, ein praktisches, nachgelagertes und modellagnostisches Auditierungswerkzeug, das die Lücke zwischen Gruppen- und individueller Fairnessbewertung in klinischer KI schließt, indem es eine neue Metrik namens mittlere vorhergesagte Wahrscheinlichkeitsdifferenz (MPPD) nutzt, um systematische Vorhersageinkonsistenzen über demografische Gruppen hinweg zu identifizieren.

Xu, J., Hwang, Y. M., Kondareddy, S., Dormoy, I., Jing, S. L., Pillai, M., Curtin, C. M., Hernandez-Boussard, T.2026-04-30