📄 Category

health informatics

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.

📄 Medizinische Informatik

Comparative Evaluation of Logistic Regression and Gradient Boosting Models for Influenza Outbreak Early-Warning Using U.S. CDC ILINet Surveillance Data (2010-2025)

Diese Studie zeigt, dass sowohl logistische Regression als auch Gradient-Boosting-Modelle unter Verwendung von CDC-Überwachungsdaten (2010–2025) eine nahezu perfekte Genauigkeit bei der Früherkennung von Influenza-Ausbrüchen in den USA erreichen, wobei die logistische Regression unter strenger zeitlicher Validierung die besten Ergebnisse erzielte.

Onwuameze, C. N., Madu, V.2026-03-13
📄 Medizinische Informatik

Self-Reported Side Effects of Semaglutide and Tirzepatide in Online Communities

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.

Sehgal, N. K. R., Tronieri, J. S., Ungar, L., Guntuku, S. C.2026-03-13
📄 Medizinische Informatik

The Orphanet Nomenclature and Classification of rare diseases: a standard terminology for improved patient recognition and data interoperability

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.

Lucano, C., Lagorce, D., Olry, A., Ali, H., Lanneau, V., De Carvalho, M., Dilsizoglu Senol, A., Fructuoso, M., Gaillard (…)2026-03-12
📄 Medizinische Informatik

The Risk Factors, Detection and Classification of Esophageal Cancer Using Ensemble Machine Learning Models

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.

Gaso, M. S., Mekuria, R. R., Cankurt, S., Deybasso, H. A., Abdo, A. A., Abbas, G. H.2026-03-11
📄 Medizinische Informatik

Co-designing a virtual reality based mindfulness application to address diabetes distress using Artificial Intelligence-informed Experience-Based Co-Design (AI-EBCD): a feasibility study

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.

Ghosal, S., Zhang, M., Stanmore, E., Sturt, J., Bogosian, A., Woodcock, D., Milne, N., Mubita, W., Robert, G., O'Connor (…)2026-03-11
📄 Medizinische Informatik

Regression vs. Medical LLMs: A Comprehensive Study for CVD and Mortality Risk Prediction

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.

KOM SANDE, S. D., Skorski, M., Theobald, M., Schneider, J., Marz, W.2026-03-11
📄 Medizinische Informatik

Variability in Automated Sepsis Case Detection: A Systematic Analysis of Implementation Methods in Clinical Data Repositories

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.

Meyer-Eschenbach, F., Schmiedler, R., Stoephasius, J. v., Zhang, C., Kronfli, L., Frey, N., Naeher, A.-F., Ehret, J., No (…)2026-03-10
📄 Medizinische Informatik

Time-to-event modeling with multimodal clinical and genetic features improves risk stratification of liver complications in chronic hepatitis C

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.

Islam, H., Arian, A., Franses, J. W., Ahsan, H.2026-03-09