193 Arbeiten
Dieses Paper stellt das SREDH-AICup-SHISprachkorpus vor, ein neu erstellter, zeitlich ausgerichteter Datensatz mit annotierten sensiblen Gesundheitsinformationen in Englisch und Mandarin, der als Benchmark für die Forschung zur automatisierten klinischen Sprachdeidentifizierung dient.
Diese Studie stellt einen reproduzierbaren Python-basierten Workflow vor, der synthetische klinische, Biomarker- und pharmakokinetische Daten aus frühen onkologischen Studien integriert, um analysierbare Datensätze, Visualisierungen und explorative Vorhersagemodelle für die Entscheidungsfindung zu generieren.
Die Studie zeigt, dass multimodale maschinelle Lernmodelle, die strukturierte klinische Daten mit Textmerkmalen aus Entlassungsnotizen kombinieren, die hohe Opioidexposition bei stationären Patienten präzise vorhersagen und somit die gezielte Opioid-Stewardship unterstützen können.
Die Studie stellt den Time-Aware G-Transformer vor, ein Deep-Learning-Modell, das kausale G-Berechnung mit zeitbewusster Aufmerksamkeit kombiniert, um Behandlungseffekte auf unregelmäßig gesampelten klinischen Daten präziser vorherzusagen als bestehende Methoden.
Diese gemischte Methodenstudie liefert erstmals empirische Belege aus Westafrika, wonach Kliniker und technische Experten unabhängige Aufsichtsbehörden, transparente Algorithmen und klare Haftungsregelungen als entscheidend für eine vertrauenswürdige und sichere KI-Integration in die klinische Praxis erachten.
Diese Studie zeigt, dass ein hybrides Modell aus Gradient-Boosting und Hidden Semi-Markov-Modellen allein auf Basis von selbstberichteten Symptomen eine hormonell validierte Klassifizierung der vier Menstruationsphasen mit einer Genauigkeit von 67,6 % ermöglicht und damit eine ressourcenschonende, tragbare-freie Überwachung der reproduktiven Gesundheit unterstreicht.
Diese prospektive Pilotstudie zeigt, dass die agentic KI-Assistenz „DR. INFO" bei 29 Klinikern in Portugal zu einer hohen Zufriedenheit, signifikanten Zeitersparnis und einer verbesserten klinischen Entscheidungsfindung im Alltag führte.
Die Studie stellt MedScope vor, ein leichtgewichtiges Benchmark-Framework, das sechs Open-Source-LLMs auf medizinische Multiple-Choice-Fragen hin bewertet und dabei zeigt, dass diese Modelle trotz ihrer Transparenz und Reproduzierbarkeit aufgrund von Leistungsunterschieden und Effizienzbeschränkungen derzeit noch nicht für den unüberwachten Einsatz in hochriskanten klinischen Szenarien geeignet sind.
Die Studie zeigt, dass private klinische Studien-Sponsoren in der EU im Vergleich zu öffentlichen Sponsoren deutlich detailliertere und zugänglichere Datenfreigabepolitiken und -vereinbarungen bereitstellen, was zu einem sectoralen Ungleichgewicht in der Daten-Governance führt, das eine stärkere Standardisierung und Klarheit erfordert, um die Transparenz und die datenschutzkonforme Wiederverwendung von Daten zu verbessern.
Diese Studie entwickelt und evaluiert eine mehrstufige Pipeline, die einen feinabgestimmten Token-Klassifikator (Bio-ClinicalBERT) mit einer nachgelagerten Überarbeitung durch lokale Large Language Models kombiniert, um die präzise Extraktion der „4M"-Gesundheitsdaten (Was zählt, Medikamente, Mentation, Mobilität) aus unstrukturierten Pflegeheim-Nachrichten zu ermöglichen.
Die Studie zeigt, dass kleine Sprachmodelle eine effiziente und datenschutzkonforme Lösung zur Extraktion longitudinaler Biomarker aus unstrukturierten französischen klinischen Notizen bei seltenen Nierenerkrankungen darstellen und dabei regelbasierte Baselines übertreffen.
Das Paper stellt MedResearchBench vor, das erste Benchmark-System, das speziell entwickelt wurde, um KI-Forschungsagenten anhand von 16 klinischen Aufgaben aus sieben medizinischen Domänen zu bewerten und dabei einzigartige Herausforderungen wie komplexe Studiendesigns, Konfundierungskontrolle und die Einhaltung medizinischer Berichtsstandards zu adressieren.
Die Studie stellt BSO-AD vor, die erste Ontologie, die Verhaltens- und Sozialfaktoren systematisch im Kontext von Alzheimer und verwandten Demenzerkrankungen (ADRD) modelliert, um deren komplexe Wechselwirkungen für die computergestützte Wissensintegration und Prävention zu harmonisieren.
Die Studie stellt die VaaS-Pipeline vor, einen mehrstufigen Validierungsprozess, der durch Produktionstests und prospektive Benchmarks nachweist, dass sich Halluzinationen bei KI-gestützter wissenschaftlicher Synthese auf nahezu Null reduzieren lassen, während die Kosten pro Gene-Review unter einem Dollar bleiben.
Die Studie stellt ClinicalTAAT vor, einen zeitbewussten Transformer, der durch die Analyse patientenspezifischer klinischer Ereignissequenzen die Leistungsfähigkeit bestehender Prozessmining-Methoden zur Bewertung und Optimierung von Gesundheitsversorgungssystemen erweitert.
Das SwissPedGrowth-Projekt belegt die Machbarkeit der Gewinnung hochwertiger anthropometrischer Daten aus heterogenen elektronischen Patientenakten schweizerischer Kinderkliniken für die Wachstumsforschung, weist jedoch weiterhin Herausforderungen hinsichtlich der Vollständigkeit und Harmonisierung dieser Daten auf.
Diese Studie stellt einen neuen diagnostischen Sensor vor, der durch einen strukturierten Scaffolding-Ansatz (SIPS) die in sequenziellen klinischen Entscheidungen bei KI-Modellen auftretende „Konvergenz-Regression" aufdeckt und quantifiziert, wobei sie zeigt, dass solche Scaffolds zwar die Nachvollziehbarkeit und Stabilität der Diagnose erhöhen, aber nicht zwangsläufig die reine Trefferquote steigern.
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.
Diese Studie zeigt, dass ein von einem menschlichen Betreuer gesteuerter, auf Large Language Models basierter Prescreening-Workflow die Effizienz und Genauigkeit der Patientenauswahl für diverse klinische Studien bei minimalen Kosten erheblich verbessert.
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.