155 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 bewertet die Benutzerfreundlichkeit der KI-gestützten Plattform Trialshub zur Verbesserung der Rekrutierung für klinische Studien und identifiziert sowohl deren intuitives Potenzial als auch technische und gestalterische Herausforderungen für den zukünftigen Einsatz.
Die Studie zeigt, dass vortrainierte selbstüberwachte Sprachmodelle wie Wav2Vec 2.0 demografische Merkmale wie Geschlecht und Alter aus pathologischer Parkinson-Sprache zuverlässig extrahieren können, wobei die Altersschätzung jedoch stark von der Art der Sprachaufgabe abhängt und bei Vokalphonation systematische Verzerrungen aufweist.
Eine internationale Querschnittsstudie mit 716 Teilnehmern zeigt, dass TCIM-Forscher Generative KI-Chatbots zwar überwiegend als nützlich für die Effizienzsteigerung und Arbeitsentlastung in der Forschung ansehen, jedoch gleichzeitig Bedenken hinsichtlich von Verzerrungen und Fehlern äußern sowie einen hohen Bedarf an institutioneller Schulung bekunden.
Diese Fallstudie zeigt, dass ein auf Retrieval-Augmented Generation basierender KI-Assistent für finnische Gesundheitsdienste erhebliche geschlechtsspezifische Verzerrungen aufweist, die zu unangemessenen medizinischen Empfehlungen führen, indem sie weibliche Patientinnen stereotyp auf Kinderbetreuung und reproduktive Gesundheit reduzieren.
Diese Studie nutzt einen großen nationalen EHR-Datensatz, um mittels maschineller Lernverfahren (insbesondere XGBoost) hochpräzise Vorhersagemodelle für nicht genutzte ambulante Termine zu entwickeln und zu evaluieren.
Die Studie zeigt, dass eine auf Blockchain-Technologie und Soulbound Tokens basierende Crowdsourcing-Plattform („Spine Reviews") eine kostengünstige, globale und klinisch kohärente Aggregation von Expertenmeinungen zur Behandlung von Rückenschmerzen ermöglicht und dabei die klinische Unsicherheit sowie die Variabilität der Entscheidungsfindung quantifiziert.
Die Studie stellt Fmpi vor, ein rechenleichtes, individualisiertes Framework zur Echtzeiterkennung evozierter Potentiale, das durch die Modellierung des spektralen Rauschverhaltens und eine Futilitätsdetektion die diagnostische Effizienz und Spezifität im Vergleich zu bestehenden Methoden verbessert.
Diese Studie stellt einen maschinellen Lern-Ensemble-Ansatz vor, der durch die Analyse seltener und statistisch anomaler Datenmuster im FAERS-Datensatz die Früherkennung von unerwarteten Arzneimittelnebenwirkungen revolutioniert und damit die Grenzen traditioneller pharmakovigilanter Methoden überwindet.
Die Studie stellt einen validierten, blockchain-verankerten Prozess zur Generierung synthetischer Daten aus einem multizentrischen Wirbelsäulenchirurgie-Register vor, der durch einen dreidimensionalen Bewertungsrahmen (Fidelität, Nutzen, Datenschutz) nachweislich eine sichere und reproduzierbare Datennutzung für die KI-Entwicklung ermöglicht.
Die räumliche Zerlegung longitudinaler RNFL-Veränderungskarten enthüllt sechs distinkte, genetisch und funktionell charakterisierte Glaukom-Progressionsmuster, die durch konventionelle Mittelwertbildung verborgen bleiben und eine präzisere Vorhersage des Funktionsverlusts ermöglichen.