199 Arbeiten
Die Studie validiert den auf Large Language Models basierenden Workflow „otto-SR", der die zeitaufwändigen Phasen des Screenings, der Datenaextraktion und der Bias-Bewertung bei systematischen Übersichten automatisiert und dabei eine höhere Genauigkeit als menschliche Forscher aufweist, was eine schnelle und skalierbare Aktualisierung von Evidenzsynthesen ermöglicht.
Die Analyse von Reddit-Beiträgen zeigt, dass natürliche Umgebungen für junge Menschen mit sozialer Angst sowohl als hilfreiche Ressource zur Symptomlinderung als auch als potenzieller Auslöser durch die Angst vor sozialer Bewertung wahrgenommen werden, was eine sorgfältige Gestaltung naturbasierter Interventionen erfordert.
Diese explorative Eye-Tracking-Studie zeigt, dass die Integration von Suizid-Screening-Tools in die elektronische Patientenakte die visuelle Aufmerksamkeit von Hausärzten stark auf das System lenkt, was zu einer Verzögerung der direkten Patientengespräche führt, bis die Risikodaten verifiziert sind.
Diese Studie zeigt, dass die Kombination von klinischer Expertise mit kausaler Strukturierung die Entwicklung präziser, aber sparsamer Vorhersagemodelle für akute Hirnfunktionsstörungen in der pädiatrischen Intensivmedizin ermöglicht, indem sie auf nur 14 Biomarker reduziert wird, ohne die Vorhersageleistung signifikant zu beeinträchtigen.
Die Arbeit stellt ED-Triage-Agent (ETA) vor, ein Multi-Agenten-KI-Framework, das durch autonome Patientenaufnahme und kollaborative Akuitätsbewertung die klinische Entscheidungsfindung in der Notfalltriage unterstützt, indem es den Arbeitsablauf nachahmt und die ärztliche Autonomie sowie Erklärbarkeit bewahrt.
Das Paper stellt den Lilo Engine vor, einen deterministischen, 5-Schichten-Sicherheitspipeline für therapeutische KI in der Altenpflege, der durch strukturelle Invarianten und eine unbedingte Krisenerkennung eine 100%ige Recall-Rate bei kritischen Situationen und vollständige Nachverfolgbarkeit gewährleistet.
Basierend auf einer Analyse von über 19 Millionen US-Patienten zeigt die Studie, dass Menschen mit hypermobilem Ehlers-Danlos-Syndrom ein deutlich erhöhtes Risiko für Long-COVID haben und dass virale Infektionen oft als Auslöser dienen, um zuvor unerkannte Symptome dieses häufigeren Bindegewebserkrankung aufzudecken.
Die Studie zeigt, dass kollaborative Large Language Models (LLMs) durch die Kombination mehrerer Modelle die Genauigkeit und Effizienz beim Screening von systematischen Übersichtsarbeiten signifikant steigern und den manuellen Aufwand im Vergleich zu einzelnen Modellen verringern können.
Diese Studie zeigt, dass ChatGPT-4.0 bei der Analyse von NIH-Abstracts zu Opioid-Abhängigkeit in Bezug auf Tiefe und Relevanz der identifizierten Innovationen menschliche Kodierer übertrifft und somit die Effizienz und Qualität qualitativer Forschung steigern kann.
Die Studie stellt Sino-US-DrugQA vor, ein bilingualer Benchmark-Datensatz mit über 11.000 Fragen, der zeigt, dass aktuelle Large Language Models zwar bei monolingualen regulatorischen Abfragen nutzbar sind, jedoch bei vergleichenden Analysen zwischen US-amerikanischen und chinesischen Arzneimittelvorschriften signifikante Leistungseinbußen aufweisen, was eine vorsichtige, von Experten überwachte Anwendung erfordert.
Die Studie vergleicht Random Forest und Random Survival Forest-Modelle zur Vorhersage des altersbedingten Verlusts der Selbstständigkeit und stellt fest, dass beide Methoden vergleichbare Diskriminierungs- und Kalibrierungsergebnisse liefern, was darauf hindeutet, dass die Berücksichtigung von Zeitereignissen nicht zwangsläufig zu genaueren Vorhersagen führt.
Die Studie zeigt, dass ein standardisierter Prompt-basierter Rahmen zur Analyse klinischer Biomarker auf Daten von 4.018 NHANES-Patienten über fünf verschiedene Large Language Models von vier Anbietern hinweg konsistent klinisch-grade Genauigkeit erreicht und damit die Machbarkeit vendor-unabhängiger KI-Systeme für die klinische Entscheidungsunterstützung untermauert.
Die Studie zeigt, dass ein hybrides Modell, das einen Large Language Model (LLM) mit einem Mixed-Integer Linear Programming (MILP)-Solver kombiniert, personalisierte Ernährungspläne erstellt, die die Präzision des MILP mit der Anpassungsfähigkeit des LLM vereinen und dabei sowohl in der Nährstoffgenauigkeit als auch in der Praktikabilität und Personalisierung überlegene Ergebnisse liefern als einzelne Modelle.
Die Studie stellt eine computergestützte Pipeline vor, die durch die Kombination von phänotypischer Ähnlichkeit und Netzwerkpropagierung die Diagnosegenauigkeit und klinische Konsistenz bei seltenen Erkrankungen im Vergleich zu bestehenden Methoden verbessert.
Die Studie zeigt, dass der Einsatz von KI-gestützten Ambient-Documentation-Systemen die sprachliche Struktur und Organisation klinischer Notizen verändert, wobei die Auswirkungen je nach Anbieter, Notizabschnitt und Fachbereich variieren und eine Bewertung über reine Effizienzsteigerung hinaus notwendig machen.
Diese Studie nutzt Daten der UK Biobank, um eine U-förmige Beziehung zwischen der Schlafdauer und dem biologischen Altern zu belegen, wonach sowohl zu kurzer als auch zu langer Schlaf das biologische Alter beschleunigen und das Krankheitsrisiko erhöhen, während eine optimale Schlafdauer von 6,4 bis 7,8 Stunden mit dem geringsten biologischen Alter und der besten Gesundheit verbunden ist.
Die Studie zeigt, dass herkömmliche Retrieval-Augmented-Generation-Methoden in klinischen KI-Systemen Halluzinationen verstärken, während strukturierte, herkunftsgekennzeichnete Patientendaten in Kombination mit verifizierenden Agenten-Workflows die faktische Zuverlässigkeit und Patientensicherheit signifikant verbessern.
Die Studie stellt ein interpretierbares Deep-Learning-Framework vor, das mithilfe von Fundusbildern das biologische Alter der Netzhaut präzise schätzt und physiologische Heterogenitäten im Alterungsprozess durch die Zerlegung in normative und krankheitsassoziierte Komponenten aufdeckt.
Die Studie entwickelte und validierte einen skalierbaren Algorithmus, der mithilfe von EHR-Audit-Logs mit 91 % Genauigkeit den primären Frontline-Kliniker pro Patiententag identifiziert und damit aufwendige manuelle Methoden ersetzt.