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 MOE-ECG vor, ein robustes Multi-Objective-Ensemble-Framework, das durch die gleichzeitige Optimierung von Vorhersagegenauigkeit und Modellvielfalt sowie die Nutzung von Unsicherheitsfusion eine zuverlässige und generalisierbare Erkennung von Vorhofflimmern aus EKG-Daten ermöglicht.
Das Paper stellt HealthFormer vor, einen dual-level Transformer, der durch die explizite Modellierung unregelmäßiger zeitlicher Abstände und die Aggregation heterogener klinischer Codes auf einer großen ungarischen Kohorte patientenbezogene Repräsentationen lernt, die sich durch Self-Supervised Pretraining für die Vorhersage von Krebsinzidenzen ohne aufgabenspezifisches Feature-Engineering effektiv verfeinern lassen.
Die Studie zeigt, dass Federated Learning in internationalen HIV-Konsortien datenschutzkonforme klinische Vorhersagemodelle ermöglicht, die sowohl die Leistung einzelner Standorte übertreffen als auch nahezu die Genauigkeit zentralisierter Modelle erreichen, wobei der Erfolg von der Standortgröße und der Heterogenität zwischen den Standorten abhängt.
Die Studie zeigt, dass passive Überwachungsdaten von Wearables wie Fitbit, insbesondere eine verringerte Schrittzahl und ein erhöhter Ruhepuls, dazu beitragen können, Patienten mit Herzinsuffizienz frühzeitig zu identifizieren, die ein erhöhtes Risiko für einen Krankenhausaufenthalt haben.
Diese Studie stellt die Entwicklung und Evaluierung einer Natural-Language-Processing-Anwendung auf Basis eines BERT-Modells vor, die erfolgreich verschiedene Formen von Gewalt sowie deren Kontextmerkmale aus freien Texten in elektronischen psychiatrischen Krankenakten extrahiert und kategorisiert.
Die Autoren haben das Manuskript über die Entwicklung und externe Validierung eines hochpräzisen Modells zur Vorhersage von ICU-Einweisungen aus der Notaufnahme zurückgezogen, da sie einen Korrektur bedürftigen Fehler in der Analyse identifiziert haben.
Die Autoren stellen ein von regulatorischen Leitlinien inspiriertes statistisches Rahmenwerk vor, das die Wiederholbarkeit und Reproduzierbarkeit von Large Language Models anhand semantischer und interner Metriken quantifiziert und dabei zeigt, dass diese Stabilität stark von der Prompt-Strategie abhängt, jedoch nicht zwangsläufig mit der diagnostischen Genauigkeit korreliert.
Die Studie zeigt, dass die von Wearables abgeleitete kardiovaskuläre Fitnessalter-Schätzung bei 442 Erwachsenen signifikant mit unabhängigen Lebensstilfaktoren wie Schlafqualität, Schrittzahl und BMI korreliert und physiologische Verbesserungen über einen Zeitraum von 12 Monaten zuverlässig erfasst.
Diese pragmatische, frühe Evaluierung zeigt, dass das menschlich überwachte, auf großen Sprachmodellen basierende klinische Entscheidungsunterstützungssystem AIFYA, das an die nationalen Neugeborenenprotokolle Kenias angepasst ist, in ressourcenarmen Einrichtungen erfolgreich implementiert werden kann und dabei eine hohe Nutzerakzeptanz sowie eine starke Übereinstimmung mit Expertenbewertungen und Richtlinien aufweist.
Die Studie zeigt, dass trotz hoher diagnostischer Genauigkeit auf synthetischen klinischen Transkripten große Sprachmodelle bei unvollständigen Patientendaten gefährliche Fehleinschätzungen treffen, lebenswichtige Untersuchungen unterlassen und signifikante geschlechtsspezifische Sicherheitsunterschiede aufweisen.