184 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.
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.
Diese Studie demonstriert die technische Machbarkeit eines vollständig automatisierten Systems zur Generierung von systematischen Übersichten mittels großer Sprachmodelle, das in einer blinden Bewertung von Experten sogar eine höhere Qualität als eine menschlich verfasste Übersicht erreichte, gleichzeitig aber fundamentale Einschränkungen hinsichtlich Informationsbreite und die Notwendigkeit neuer Transparenzstandards in der wissenschaftlichen Publikation aufzeigt.
Diese Studie analysiert mithilfe eines Graph-Neural-Network-Modells über 340.000 App-Bewertungen, um herauszufinden, dass therapeutische Funktionen wie Soundtherapie und Schlafunterstützung positiv bewertet werden, während Preisgestaltung, Werbung und technische Stabilität häufiger Kritik hervorrufen, und liefert damit datengestützte Erkenntnisse zur Verbesserung von Tinnitus-Management-Apps.
Diese Studie analysiert auf Basis von Interviews mit 30 Klinikern die Gründe für das Nachbearbeiten von KI-generierten klinischen Notizen – hauptsächlich zur Sicherstellung der Genauigkeit, Risikominimierung und Einhaltung von Abrechnungsstandards – und leitet daraus konkrete Verbesserungsmaßnahmen für die KI-Technologie sowie die institutionelle Unterstützung ab.
Die Studie stellt CardioPulmoNet vor, ein physiologisch inspiriertes neuronales Netzwerk, das durch die Modellierung kardio-pulmonaler Wechselwirkungen stabile und interpretierbare Merkmalsrepräsentationen für die histopathologische Diagnose auch bei begrenzten Datenmengen ermöglicht.
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.
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.
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.