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.
Diese Studie zeigt, dass ChatGPT-4.0 bei der Analyse von NIH-Abstracts zu Opioid-Abhängigkeit in Bezug auf Tiefe und Relevanz der identifizierten Innovationen menschliche Kodierer übertrifft und somit die Effizienz und Qualität qualitativer Forschung steigern kann.
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.
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.
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.
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.
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.
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.
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.
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.
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.