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.
Die Studie zeigt, dass große Sprachmodelle durch gezieltes Prompt-Engineering zwar effektiv zur Kategorisierung von klinischen Änderungen an KI-generierten Notizen genutzt werden können, jedoch bei komplexen, kontextabhängigen Fällen eher als Triage-Tool für die menschliche Überprüfung geeignet sind.
Der vorliegende Review zeigt, dass sich das KI-Forschungsfeld im Gesundheitswesen 2025 durch eine Verdopplung der Publikationen und einen deutlichen Wandel von klassischen Machine-Learning-Ansätzen hin zu leistungsfähigen multimodalen Foundation-Modellen in Richtung realer klinischer Anwendungen weiterentwickelt hat.
Eine Kohortenstudie zeigt, dass die Art der redaktionellen Reaktion auf Integritätsbedenken (wie Richtigstellung, Ausdruck der Besorgnis oder Widerruf) keinen signifikanten Einfluss auf den Abfall der Zitationsrate hat und dieser Abfall nicht stärker ausfällt als bei unbeanstandeten Kontrollstudien.
Die Studie stellt ein datengesteuertes, governance-basiertes Rahmenwerk vor, das durch die Integration longitudinaler Patientenflussmodelle und realer Versorgungsdaten die Genauigkeit von Inanspruchnahme-Prognosen in der Onkologie und bei komplexen chronischen Erkrankungen im Vergleich zu statischen Marktanteilsschätzungen signifikant verbessert.
Die Studie zeigt, dass weder die Modellgröße noch medizinisches Fine-Tuning allein eine zuverlässige klinische Robustheit lokaler Sprachmodelle garantieren, da die Leistung stark von der terminologischen Komplexität und dem Fachbereich abhängt und daher eine anwendungsspezifische Validierung erforderlich ist.
Diese Studie zeigt, dass Nash-verhandelte Multi-Agenten-LLM-Systeme im Vergleich zu herkömmlichen Ansätzen sicherere und effizientere Pflegepläne für Medicaid-Patienten generieren können, wobei jedoch keine Verbesserung der Gerechtigkeit erzielt wurde, was verdeutlicht, dass faire Ergebnisse gezieltes Design erfordern und nicht automatisch aus der Optimierung mehrerer Ziele entstehen.
Die AutoscriberValidate-Studie zeigt, dass die Nutzung des ambienten digitalen Scribes Autoscriber den administrativen Arbeitsaufwand für medizinisches Personal senkt und gleichzeitig die Qualität der elektronischen Patientenakten durch eine signifikante Reduktion von Fehlern verbessert.
Eine Umfrage unter 500 Patienten in Jordanien zeigt, dass diese KI im Gesundheitswesen grundsätzlich als nützlich erachten, jedoch eine starke Präferenz für eine menschliche Aufsicht haben und ihre Bereitschaft zur Nutzung maßgeblich von Vertrauen, Datenschutz sowie ihren digitalen Fähigkeiten und ihrem Bildungsgrad abhängt.
Diese Studie entwickelt und validiert ein hybrides SARIMA-CNNAR-Modell, das auf zehn Jahren Tuberkulose-Daten aus Nepal basiert und durch die Kombination linearer saisonaler Trends mit nichtlinearen Mustern eine höhere Prognosegenauigkeit als herkömmliche Modelle erreicht, um die Ressourcenplanung im öffentlichen Gesundheitswesen zu verbessern.
MedOS ist ein allgemeiner, körpergebundener Weltmodell-Ansatz, der abstraktes klinisches Denken mit physischen Interventionen verbindet, um durch eine duale Systemarchitektur und physikbewusste Simulationen die klinische Expertise zu demokratisieren und die Leistungslücke zwischen Assistenz- und Fachärzten zu verringern.