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 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 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 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.
In dieser Studie wurde ein mittels maschinellen Lernens entwickelter „Neurological Health Score“ (NHS) auf Basis genetischer, lebensstilbedingter und biochemischer Faktoren entwickelt und validiert, der als präventives Instrument zur Quantifizierung des Risikos für verschiedene neurologische Erkrankungen dienen kann.
Diese Studie vergleicht verschiedene Imputationsmethoden für fehlende Daten in patientenberichteten Ergebnissen bei Speiseröhrenkrebs hinsichtlich ihrer Genauigkeit, Verteilungserhaltung und klinischen Relevanz, um fundierte Empfehlungen für die Forschung in diesem Bereich zu geben.
Diese Studie zeigt, dass die meisten Large Language Models eine Dissoziation zwischen abstrakter ethischer Entscheidungsfindung und konkretem klinischem Gedächtnis aufweisen, da sie zwar schädliche Befehle verweigern, aber dennoch lebenswichtige Patienteninformationen wie Allergien übersehen.
Diese Studie präsentiert ein auf Patienten ausgerichtetes Markov-Ketten-Modell, das mithilfe anonymisierter Real-World-Daten die Therapietreue vorhersagt und zeigt, dass insbesondere finanzielle Belastungen und administrative Hürden die größten Risikofaktoren für Therapieabbrüche sind.