193 Arbeiten
Die Studie zeigt, dass Federated Learning in internationalen HIV-Konsortien datenschutzkonforme klinische Vorhersagemodelle ermöglicht, die sowohl die Leistung einzelner Standorte übertreffen als auch nahezu die Genauigkeit zentralisierter Modelle erreichen, wobei der Erfolg von der Standortgröße und der Heterogenität zwischen den Standorten abhängt.
Die Studie zeigt, dass passive Überwachungsdaten von Wearables wie Fitbit, insbesondere eine verringerte Schrittzahl und ein erhöhter Ruhepuls, dazu beitragen können, Patienten mit Herzinsuffizienz frühzeitig zu identifizieren, die ein erhöhtes Risiko für einen Krankenhausaufenthalt haben.
Diese Studie stellt die Entwicklung und Evaluierung einer Natural-Language-Processing-Anwendung auf Basis eines BERT-Modells vor, die erfolgreich verschiedene Formen von Gewalt sowie deren Kontextmerkmale aus freien Texten in elektronischen psychiatrischen Krankenakten extrahiert und kategorisiert.
Die Studie zeigt, dass die Virtual-Pooling-Plattform präzise, end-to-end multizentrische klinische Studien und kausale Schlussfolgerungen ermöglicht, ohne dass Patientendaten zentralisiert werden müssen, indem sie einen einzigen Schnittstellenzugang für die gesamte Analyse von Rohdaten bis zu den Ergebnissen bietet und dabei exakt die gleichen statistischen Ergebnisse wie traditionelle Datenaggregation liefert.
Diese Studie zeigt, dass eine auf dem ECGFounder-Modell basierende künstliche Intelligenz die kardiale biologische Alterung aus EKG-Daten quantifizieren kann und dass eine positive Abweichung zwischen dem vorhergesagten und dem chronologischen Alter (AI-ECG Age Gap) als nicht-invasiver digitaler Biomarker für eine signifikant erhöhte kardiovaskuläre Risikostratifizierung dient.
Die Autoren haben das Manuskript über die Entwicklung und externe Validierung eines hochpräzisen Modells zur Vorhersage von ICU-Einweisungen aus der Notaufnahme zurückgezogen, da sie einen Korrektur bedürftigen Fehler in der Analyse identifiziert haben.
Die Autoren stellen ein von regulatorischen Leitlinien inspiriertes statistisches Rahmenwerk vor, das die Wiederholbarkeit und Reproduzierbarkeit von Large Language Models anhand semantischer und interner Metriken quantifiziert und dabei zeigt, dass diese Stabilität stark von der Prompt-Strategie abhängt, jedoch nicht zwangsläufig mit der diagnostischen Genauigkeit korreliert.
Die Studie zeigt, dass die von Wearables abgeleitete kardiovaskuläre Fitnessalter-Schätzung bei 442 Erwachsenen signifikant mit unabhängigen Lebensstilfaktoren wie Schlafqualität, Schrittzahl und BMI korreliert und physiologische Verbesserungen über einen Zeitraum von 12 Monaten zuverlässig erfasst.
Diese pragmatische, frühe Evaluierung zeigt, dass das menschlich überwachte, auf großen Sprachmodellen basierende klinische Entscheidungsunterstützungssystem AIFYA, das an die nationalen Neugeborenenprotokolle Kenias angepasst ist, in ressourcenarmen Einrichtungen erfolgreich implementiert werden kann und dabei eine hohe Nutzerakzeptanz sowie eine starke Übereinstimmung mit Expertenbewertungen und Richtlinien aufweist.
Die Studie zeigt, dass trotz hoher diagnostischer Genauigkeit auf synthetischen klinischen Transkripten große Sprachmodelle bei unvollständigen Patientendaten gefährliche Fehleinschätzungen treffen, lebenswichtige Untersuchungen unterlassen und signifikante geschlechtsspezifische Sicherheitsunterschiede aufweisen.
Die Studie zeigt, dass eine effektive Governance, eine multidisziplinäre Methodik und gut geplante Maßnahmen die Wahrscheinlichkeit für den Erfolg von EHR-Einführungsprojekten erhöhen, indem sie negative Auswirkungen durch gezielte Aktionspläne erfolgreich mindern.
Das Paper stellt SleepJEPA vor, ein auf über 55.000 häuslichen Schlafstudien trainiertes fundamentales Modell, das mittels einer Joint Embedding Predictive Architecture latente Schlafrepräsentationen lernt, um das Risiko für kardiovaskuläre, metabolische und neurologische Erkrankungen über Zeiträume von 1 bis 15 Jahren präzise vorherzusagen.
Die Studie zeigt, dass offene Gesundheitsdaten unabhängig von der Höhe der Finanzierung eine konsistente zehnfache Zitationsverstärkung bewirken, jedoch erhebliche Unterschiede in der geografischen und geschlechtsspezifischen Zusammensetzung der Forschenden aufweisen, wobei ein persistenter Gender-Gap in leitenden Positionen besteht, der über reine Datenzugänglichkeit hinausgehende strukturelle Barrieren widerspiegelt.
Diese unabhängige Langzeitstudie in Nigeria zeigt, dass die von Anbietern gemeldeten Leistungswerte von Gesundheits-KI-Systemen die reale Wirksamkeit erheblich überschätzen, was zu vermeidbaren Patientenschäden und einer Verschärfung gesundheitlicher Ungleichheiten führt und eine obligatorische, unabhängige Nachverifizierung nach dem Vorbild der Pharmakovigilanz erfordert.
Die Studie stellt NiaAge vor, ein neuartiges, klinisch interpretierbares Modell des biologischen Alters, das auf nichtlinearen Assoziationen von 59 Biomarkern mit dem Langzeitsterblichkeitsrisiko basiert und in der NHANES-Stichprobe eine überlegene Vorhersagekraft für Mortalität sowie körperliche und kognitive Gesundheit im Vergleich zum chronologischen Alter und bestehenden Altersmodellen aufweist.
Diese Studie nutzt Daten des „All of Us"-Forschungsprogramms, um zu zeigen, dass die Integration sozialer Determinanten der Gesundheit die Vorhersagegenauigkeit für chronische Krankheiten verbessert, wobei psychische Erkrankungen stärker durch erlebte Faktoren wie Stress und Diskriminierung beeinflusst werden, während kardiometabolische Erkrankungen vor allem von demografischen Merkmalen und strukturellen Nachbarschaftsfaktoren abhängen, was maßgeschneiderte statt einheitliche Screening-Protokolle nahelegt.
Diese Studie validiert den Intensive Documentation Index (IDI) multinational und zeigt, dass die zeitliche Granularität von Dokumentationsstempeln in elektronischen Gesundheitsakten entscheidend für die Vorhersagegenauigkeit der ICU-Sterblichkeit ist, wobei der Index in der Schweizer HiRID-Datenbank mit einer AUROC von 0,9063 deutlich bessere Ergebnisse erzielte als in den US-Daten von MIMIC-IV.
Eine kontrollierte Unterbrechungszeitreihenanalyse mit südkoreanischen Krankenversicherungsdaten zeigt, dass eine digitale Selbstmanagement-Plattform für Reizdarmsyndrom, deren Inhalte auf Social-Media-Diskursen basierten, zu einer signifikanten und anhaltenden Verringerung der Notaufnahmebesuche und ungeplanten Krankenhauseinweisungen führte.
Die Studie zeigt, dass der SaPM-Filter auf Ovid MEDLINE die Screening-Belastung im Vergleich zum rein sensibilitätsmaximierenden Filter um 83 % reduziert, dabei nur minimal mehr relevante Studien übersieht und somit eine effizientere Alternative für systematische Reviews darstellt.
Die Studie zeigt, dass ein auf LLMs basierendes System (Brim Analytics) im Vergleich zu einem ontologiebasierten Ansatz (DeepPhe) bei der automatisierten Extraktion von Krebsregisterdaten aus Pathologieberichten eine höhere Gesamtgenauigkeit und effiziente Verarbeitungszeiten erreicht.