📄 Category

health informatics

256 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.

📄 Medizinische Informatik

BodyMAE: A Surface-Area Aware Masked Autoencoder for Body Composition Estimation from 3D Body Scans

Dieses Paper stellt BodyMAE vor, einen oberflächenflächenbewussten Masked Autoencoder, der metrische 3D-Körperscans nutzt, um Körperzusammensetzungsmetriken wie Fett- und Magermasse präzise zu schätzen, wobei eine hohe Korrelation mit klinischen DXA-Messungen erreicht wird, während gleichzeitig Herausforderungen wie nicht uniforme Punktdichte und Gerätevariabilität überwunden werden.

Zheng, Y., Feng, B., Cheng, R., Qiu, C., Long, Z., Vaziri, K., Hahn, J.2026-06-06
📄 Medizinische Informatik

Genosolver: Rare Disease Diagnosis through Holistic Integration of Unstructured Clinical Narratives Using Large Language and Reasoning Models

Genosolver ist ein integrierter Workflow, der Large Language und Reasoning Models nutzt, um detaillierte klinische Erkenntnisse aus unstrukturierten Narrativen zu extrahieren, wodurch die Diagnoseraten für seltene Krankheiten signifikant verbessert und bestehende Tools wie Exomiser durch die effektivere Priorisierung kausaler genetischer Varianten übertroffen wird.

Islam, T., Danner, M., Ziad, Z., Begemann, M., Beijer, D., Lischka, A., Lausberg, E., Mattern, L., Suh, J., Wittig, P. (…)2026-06-05
📄 Medizinische Informatik

Translating 3D Slicer into Brazilian Portuguese: A methodological approach to software localization in Latin America

Dieses Papier präsentiert einen methodischen Rahmen für die Lokalisierung der Open-Source-Medizinalbildgebungssoftware 3D Slicer ins brasilianische Portugiesisch, wobei spezifische linguistische und terminologische Herausforderungen adressiert werden, um die Zugänglichkeit für nicht-englischsprachige Nutzer in Lateinamerika zu verbessern.

Veiga, P. E. d. B., Murta, L. O., Goncalves, D. S., Silva, L. S., Montano-Serrano, V. M., Laredo, E. H., Lasso, A., Piep (…)2026-06-03
📄 Medizinische Informatik

Knowledge-Driven Neuro-Symbolic Reasoning for Personalized Oncology Treatment Recommendation Based on Multi-Modal Medical Knowledge Graph

Dieses Paper schlägt K-NeSyNet vor, ein neuartiges wissensgesteuertes neuro-symbolisches Framework, das einen multimodalen Onkologie-Wissensgraphen mit einem differenzierbaren dreikanaligen symbolischen Reasoning-Mechanismus und adaptiver neuraler Fusion integriert, um präzise, sichere und interpretierbare personalisierte Krebsbehandlungsempfehlungen zu liefern.

Yang, L., Wan, H., Zhu, J., Zhou, P., Wang, Z.2026-06-02
📄 Medizinische Informatik

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., Green (…)2026-05-28
📄 Medizinische Informatik

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
📄 Medizinische Informatik

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
📄 Medizinische Informatik

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. (…)2026-05-22
📄 Medizinische Informatik

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
📄 Medizinische Informatik

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 (…)2026-05-14