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 zeigt, dass ein lokal eingesetztes 20-Milliarden-Parameter-LLM mit sensibilitätssteigernder Prompt-Strategie die Abstract-Screening-Effizienz in systematischen Übersichten erheblich steigert, wobei die Genauigkeit je nach Fachgebiet variiert und eine Kombination mit menschlichen Prüfern empfohlen wird.
Eine Umfrage unter Herausgebern von Zeitschriften für traditionelle, komplementäre und integrative Medizin zeigt, dass zwar ein hohes Potenzial für den Einsatz von KI-Chatbots in redaktionellen Prozessen erkannt wird, die tatsächliche Nutzung jedoch aufgrund fehlender Richtlinien, Schulungen und ethischer Bedenken derzeit noch gering ist.
Diese qualitative Studie zeigt, dass das Vertrauen in KI im Gesundheitswesen nicht allein von der technischen Leistung, sondern maßgeblich von Governance-Praktiken abhängt, bei denen Cybersecurity-Experten durch sichtbare Rechenschaftspflicht und menschliche Aufsicht eine zentrale Rolle für die institutionelle Glaubwürdigkeit spielen.
Die Studie stellt ein Deep-Image-Prior-Framework namens DIP-Fusion vor, das anatomische Protonen-MRT-Daten und biochemische Natrium-MRT-Daten mittels einer fusionierten Richtungs-Total-Variations-Regularisierung kombiniert, um Rauschen in Natrium-MRT-Bildern effektiv zu reduzieren und so die Bildqualität sowie die klinische Machbarkeit bei beschleunigten Aufnahmen zu verbessern.
Die Studie zeigt, dass große Sprachmodelle durch gezieltes Prompt-Engineering zwar effektiv zur Kategorisierung von klinischen Änderungen an KI-generierten Notizen genutzt werden können, jedoch bei komplexen, kontextabhängigen Fällen eher als Triage-Tool für die menschliche Überprüfung geeignet sind.
Der vorliegende Review zeigt, dass sich das KI-Forschungsfeld im Gesundheitswesen 2025 durch eine Verdopplung der Publikationen und einen deutlichen Wandel von klassischen Machine-Learning-Ansätzen hin zu leistungsfähigen multimodalen Foundation-Modellen in Richtung realer klinischer Anwendungen weiterentwickelt hat.
Eine Kohortenstudie zeigt, dass die Art der redaktionellen Reaktion auf Integritätsbedenken (wie Richtigstellung, Ausdruck der Besorgnis oder Widerruf) keinen signifikanten Einfluss auf den Abfall der Zitationsrate hat und dieser Abfall nicht stärker ausfällt als bei unbeanstandeten Kontrollstudien.
Die Studie stellt ein datengesteuertes, governance-basiertes Rahmenwerk vor, das durch die Integration longitudinaler Patientenflussmodelle und realer Versorgungsdaten die Genauigkeit von Inanspruchnahme-Prognosen in der Onkologie und bei komplexen chronischen Erkrankungen im Vergleich zu statischen Marktanteilsschätzungen signifikant verbessert.
Die Studie zeigt, dass weder die Modellgröße noch medizinisches Fine-Tuning allein eine zuverlässige klinische Robustheit lokaler Sprachmodelle garantieren, da die Leistung stark von der terminologischen Komplexität und dem Fachbereich abhängt und daher eine anwendungsspezifische Validierung erforderlich ist.
Diese Studie zeigt, dass Nash-verhandelte Multi-Agenten-LLM-Systeme im Vergleich zu herkömmlichen Ansätzen sicherere und effizientere Pflegepläne für Medicaid-Patienten generieren können, wobei jedoch keine Verbesserung der Gerechtigkeit erzielt wurde, was verdeutlicht, dass faire Ergebnisse gezieltes Design erfordern und nicht automatisch aus der Optimierung mehrerer Ziele entstehen.