health informatics 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.

📄 health informatics

Sino-US-DrugQA: A Benchmark for Evaluating Large Language Models in Cross-Jurisdictional Pharmaceutical Regulation

Die Studie stellt Sino-US-DrugQA vor, ein bilingualer Benchmark-Datensatz mit über 11.000 Fragen, der zeigt, dass aktuelle Large Language Models zwar bei monolingualen regulatorischen Abfragen nutzbar sind, jedoch bei vergleichenden Analysen zwischen US-amerikanischen und chinesischen Arzneimittelvorschriften signifikante Leistungseinbußen aufweisen, was eine vorsichtige, von Experten überwachte Anwendung erfordert.

Chen, Z., Fu, X., Lu, W.2026-02-17

📄 health informatics

Outcome Risk Modeling for Disability-Free Longevity: Comparison of Random Forest and Random Survival Forest Methods

Die Studie vergleicht Random Forest und Random Survival Forest-Modelle zur Vorhersage des altersbedingten Verlusts der Selbstständigkeit und stellt fest, dass beide Methoden vergleichbare Diskriminierungs- und Kalibrierungsergebnisse liefern, was darauf hindeutet, dass die Berücksichtigung von Zeitereignissen nicht zwangsläufig zu genaueren Vorhersagen führt.

Vanghelof, J. C., Tzimas, G., Du, L., Tchoua, R., Shah, R. C.2026-02-17

📄 health informatics

Multi-Model Clinical Validation of an AI-Powered Biomarker Analysis Framework: A Cross-Vendor Benchmark on 4,018 NHANES Patients

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.

Shibakov, D.2026-02-17

📄 health informatics

Combining phenotypic similarity and network propagation to improve performance and clinical consistency of rare disease diagnosis

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.

Chahdil, M., Fabrizzi, C., Hanauer, M., Lucano, C., Rath, A., Lagorce, D., Tichit, L.2026-02-17

📄 health informatics

Disentangling physiological heterogeneity in retinal aging using a deep learning-based biological age framework

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.

Chu, R., Sun, A., Qu, J., Lu, M.2026-02-16

📄 health informatics

Development and validation of neurological health score using machine learning algorithms

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.

Pemmasani, S. K., Athmakuri, S., R G, S., Acharya, A.2026-02-12

📄 health informatics

Comparing Missing Data Imputation Methods for Patient-Reported Outcomes in Esophageal Cancer Research

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.

Kweon, Y. J., Mohammed, E. A., Salman, Y., Dhillon, S., Najmeh, S., Mueller, C., Cools-Lartigue, J., Spicer, J., Ferri (…)2026-02-11

📄 health informatics

Benchmarking Large Language Models for Intensive Care Unit Clinical Decision Support: A Dual Safety Evaluation of 26 Models on Consumer Hardware

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.

Shlyakhta, T.2026-02-10

📄 health informatics

Patient-Centric Markov-Chain Framework for Predicting Medication Adherence Using De-Identified Data

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.

Dantuluri, A. V. S. R.2026-02-10

📄 health informatics

Developing and Testing an Engineering Framework for Curiosity-Driven and Humble AI in Clinical Decision Support

Das Paper stellt BODHI vor, ein Engineering-Framework, das die KI zur klinischen Entscheidungsunterstützung durch die Dekomposition epistemischer Unsicherheit und die Anwendung tugendbasierter Regeln verbessert, was die Demut, Neugier und die allgemeine Antwortqualität des Modells in kontrollierten Evaluationen signifikant steigert.

Arslan, J., Benke, K., Cajas, S., Castro, R., Celi, L. A., Cruz Suarez, G. A., Delos Reyes, R., Engelmann, J., Ercole, A (…)2026-02-07

← Zurück Weiter →