225 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.
Eine Analyse von über 410.000 Reddit-Posts zeigt, dass bei der Einnahme von Semaglutid und Tirzepatid neben häufigen gastrointestinalen Nebenwirkungen auch bisher unerkannte Symptome wie Menstruationsstörungen und Kälteempfinden auftreten, was die Bedeutung sozialer Medien für die Ergänzung klinischer Sicherheitsdaten unterstreicht.
Die vorgestellte Arbeit führt einen modularen, adapterbasierten Ansatz ein, der durch die Entkopplung von Reasoning- und Reward-Optimierung mittels LoRA die Stabilität und Auditierbarkeit kleiner klinischer Sprachmodelle verbessert, ohne deren Genauigkeit zu beeinträchtigen.
Die vorliegende Arbeit stellt die Orphanet-Nomenklatur und -Klassifikation seltener Krankheiten als einziges interoperables, seltene-Krankheiten-spezifisches medizinisches Terminologiesystem vor, das durch eine umfassende Aktualisierung, Expertengenehmigung und detaillierte Abbildung auf andere semantische Ressourcen die genaue Identifizierung, Kodierung und grenzüberschreitende Datenaustauschbarkeit seltener Krankheiten für Gesundheitswesen, Forschung und öffentliche Gesundheit ermöglicht.
Diese Studie entwickelt ein robustes Ensemble-Machine-Learning-Framework, das unter Verwendung von soziodemografischen, Ernährungs- und Umweltrisikofaktoren aus Äthiopien eine hochpräzise Früherkennung und Klassifizierung von Speiseröhrenkrebs ermöglicht und dabei insbesondere den Histogramm-basierten Gradient-Boosting-Algorithmus mit einer Genauigkeit von 98,3 % und null falsch-negativen Vorhersagen als überlegen gegenüber anderen Modellen identifiziert.
Die Studie zeigt, dass ein multimodaler Deep-Learning-Ansatz mit Cross-Attention-Mechanismen, der Dermoskopiebilder mit klinischen Patientendaten kombiniert, die Diagnosegenauigkeit von Hautläsionen im Vergleich zu rein bildbasierten oder herkömmlichen Fusionsmodellen verbessert.
Diese Machbarkeitsstudie beschreibt die Entwicklung eines virtuellen Realität-basierten Achtsamkeitsanwendungskonzepts zur Bewältigung von Diabetes-Notstand bei Erwachsenen mit Typ-2-Diabetes durch einen KI-gestützten, partizipativen Co-Design-Ansatz, der auf Interviews und Workshops mit Nutzern und Experten basiert.
Diese Studie vergleicht klassische Regressionsmodelle mit medizinischen Large Language Models (MedLLMs) zur Vorhersage von kardiovaskulären Risiken und Sterblichkeit auf Basis der LURIC-Daten und zeigt, dass sowohl optimierte Regressionsverfahren als auch feinabgestimmte MedLLMs eine hohe Vorhersagegenauigkeit (bis zu 85 % AUROC) erreichen, wobei Kalibrierungstechniken die systematische Überprognose der LLMs signifikant reduzieren können.
Diese systematische Analyse zeigt, dass erhebliche methodische Heterogenität bei der automatisierten Sepsis-Fallerkennung in klinischen Datenbanken zu stark variierenden Erkennungsraten führt, weshalb standardisierte Berichterstattung und die Veröffentlichung von Quellcode für eine verbesserte Reproduzierbarkeit dringend empfohlen werden.
Die Studie zeigt, dass ein interpretierbares, multimodales Überlebensmodell, das klinische, genetische und sozioökonomische Daten integriert, die Risikostratifizierung für Leberzirrhose, Leberkrebs und Sterblichkeit bei chronischer Hepatitis C im Vergleich zu herkömmlichen Ansätzen signifikant verbessert.
Diese Studie zeigt, dass zwar strukturierte elektronische Gesundheitsdaten mittels maschinellen Lernens eine moderate Vorhersage der Sterblichkeit bei hospitalisierten COVID-19-Patienten ermöglichen, sie jedoch für die Prognose der Krankenhausaufenthaltsdauer unzureichend sind und die Anwendung von SMOTE einen Zielkonflikt zwischen Diskriminierung und Kalibrierung aufdeckt.