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.
Die Studie stellt MIMIC-IV-Phenotype-Atlas (MIPA) als ersten öffentlich verfügbaren Benchmark-Datensatz für das EHR-Phänotyping vor, der expertenannotierte Entlassungsberichte und eine reproduzierbare Pipeline bereitstellt, um verschiedene Methoden von regelbasierten Ansätzen bis hin zu Large Language Models standardisiert zu vergleichen.
Diese qualitative Studie in Uganda zeigt, dass mobile Telefon-Tools das Potenzial haben, die Überwachung von Risikofaktoren für nichtübertragbare Krankheiten in ressourcenarmen Settings zu verbessern, ihre erfolgreiche Implementierung jedoch die Bewältigung ethischer, rechtlicher und sozialer Herausforderungen wie Datenschutz, digitale Ungleichheit und informierte Zustimmung erfordert.
Diese bibliometrische Studie zeigt, dass trotz des starken Wachstums von maschinellem Lernen und erklärbarer KI in der Diabetes-Risikovorhersage eine kritische Lücke besteht, da strukturiertes medizinisches Wissen (Wissensgraphen) kaum integriert wird, und schlägt daher ein dreischichtiges Konzept vor, um klinische Interpretierbarkeit durch die Verbindung von ML, XAI und Wissensgraphen zu verbessern.
Diese Studie nutzt die Entscheidungsgewinnkurvenanalyse (Decision Curve Analysis) auf MIMIC-IV-Daten, um zu zeigen, dass maschinelle Lernmodelle zur Vorhersage von ICU-Verlegungen im Vergleich zu herkömmlichen Metriken und klinischen Regeln einen höheren klinischen Nutzen bieten und durch die Integration von Workflow-Beschränkungen praktikable Schwellenwerte für den Einsatz im klinischen Alltag bestimmt werden können.
Die Studie bewertet die Benutzerfreundlichkeit der KI-gestützten Plattform Trialshub zur Verbesserung der Rekrutierung für klinische Studien und identifiziert sowohl deren intuitives Potenzial als auch technische und gestalterische Herausforderungen für den zukünftigen Einsatz.
Die Studie zeigt, dass vortrainierte selbstüberwachte Sprachmodelle wie Wav2Vec 2.0 demografische Merkmale wie Geschlecht und Alter aus pathologischer Parkinson-Sprache zuverlässig extrahieren können, wobei die Altersschätzung jedoch stark von der Art der Sprachaufgabe abhängt und bei Vokalphonation systematische Verzerrungen aufweist.
Eine internationale Querschnittsstudie mit 716 Teilnehmern zeigt, dass TCIM-Forscher Generative KI-Chatbots zwar überwiegend als nützlich für die Effizienzsteigerung und Arbeitsentlastung in der Forschung ansehen, jedoch gleichzeitig Bedenken hinsichtlich von Verzerrungen und Fehlern äußern sowie einen hohen Bedarf an institutioneller Schulung bekunden.
Diese Fallstudie zeigt, dass ein auf Retrieval-Augmented Generation basierender KI-Assistent für finnische Gesundheitsdienste erhebliche geschlechtsspezifische Verzerrungen aufweist, die zu unangemessenen medizinischen Empfehlungen führen, indem sie weibliche Patientinnen stereotyp auf Kinderbetreuung und reproduktive Gesundheit reduzieren.
Diese Studie nutzt einen großen nationalen EHR-Datensatz, um mittels maschineller Lernverfahren (insbesondere XGBoost) hochpräzise Vorhersagemodelle für nicht genutzte ambulante Termine zu entwickeln und zu evaluieren.
Die Studie zeigt, dass eine auf Blockchain-Technologie und Soulbound Tokens basierende Crowdsourcing-Plattform („Spine Reviews") eine kostengünstige, globale und klinisch kohärente Aggregation von Expertenmeinungen zur Behandlung von Rückenschmerzen ermöglicht und dabei die klinische Unsicherheit sowie die Variabilität der Entscheidungsfindung quantifiziert.