193 Arbeiten
Diese Studie nutzt erklärbare KI auf einer neuen portugiesischen Kohorte, um neue Determinanten der Gebrechlichkeit zu identifizieren und prädiktive Modelle für Sturzrisiko, Hospitalisierung und Handkraft zu entwickeln, wobei funktionelle Tests und Selbstauskünfte als Schlüsselfaktoren hervorgehoben werden.
Diese Fallstudie zeigt, dass die Festlegung von Schwellenwerten für klinische KI-Modelle zur Vorhersage von Asthmaexazerbationen kein rein technischer Optimierungsprozess sein sollte, sondern als organisatorischer Governance-Prozess behandelt werden muss, der statistische Leistung, klinischen Nutzen und die Arbeitskapazität der Anbieter integriert.
Die Studie stellt einen geregelten digitalen Zwilling für die Parkinson-Erkrankung vor, der mittels bayesscher Vorhersage und eines Unsicherheits-gesteuerten Berichtssystems patientenspezifische Fortschrittsprognosen mit expliziten Zuverlässigkeitsgarantien liefert und dabei sicherstellt, dass Vorhersagen nur bei ausreichender Evidenz und unter fairen Bedingungen für alle Patientengruppen ausgegeben werden.
Diese Studie entwickelt ein präzises, auf Adressdaten basierendes Risikomodell für pädiatrische Hospitalisierungen in Cincinnati, indem sie sozioökonomische, wohnungsbezogene und kriminalitätsrelevante Daten integriert, um gezielte klinische und politische Interventionen zur Verringerung gesundheitlicher Ungleichheiten zu ermöglichen.
Die Studie zeigt, dass zwar alle fünf getesteten Sprachfilter für englische Sprache in Ovid MEDLINE und Embase nahezu identisch funktionieren, jedoch aufgrund von Metadatenfehlern relevante englischsprachige Artikel fälschlicherweise ausgeschlossen werden können, weshalb eine Nachverfolgung durch Zitationsanalysen empfohlen wird.
Die Studie zeigt, dass aggregierte Benchmark-Scores die klinischen Sicherheitsrisiken von Sprachmodellen in der Gesundheitsversorgung verschleiern, da sie entscheidende Fehlerprofile wie Untertriage, kontextuelle Verzerrungen und unzureichende Krisenkalibrierung nicht erfassen.
Basierend auf Daten der HINTS-Studie 2022 zeigt diese Analyse, dass Schwierigkeiten beim Verständnis medizinischer Statistiken sowie der Einfluss sozialer Medien signifikant mit einer stärkeren Besorgnis über die Qualität von Krebsinformationen und der empfundenen Unverständlichkeit solcher Informationen verbunden sind.
Diese Studie liefert erstmals reale Evidenz dafür, dass ein speziell für den klinischen Einsatz konzipiertes, autonomes KI-System in der US-Primärversorgung telemedizinische Diagnosen und Behandlungsentscheidungen mit einer Genauigkeit von über 91 % und ohne schwerwiegende Fehler treffen kann, was einen gestuften, sicherheitsgeprüften Implementierungsrahmen für den breiten Einsatz autonomer KI in der Medizin untermauert.
Das Paper stellt Indiapub vor, eine interaktive Webanwendung, die auf OpenAlex-Daten basiert, um die geografische und institutionelle Verteilung wissenschaftlicher Publikationen in Indien zu visualisieren und so Politikern sowie Forschern datengestützte Einblicke für eine gerechtere Ressourcenverteilung zu bieten.
Diese Studie zeigt, dass die Kombination von Feature-Selection- und Data-Sampling-Techniken (insbesondere Chi-Quadrat und SMOTE) mit einem Deep-Learning-Modell die Genauigkeit der Erkennung von Medicare-Betrug auf 95,4 % steigert und dabei Überanpassung vermeidet.
Diese Simulationsstudie zur Lebertransplantation zeigt, dass die Vorhersageleistung klinischer Modelle stark von den Zielpopulationen abhängt und ihre Übertragbarkeit auf neue Settings nicht garantiert ist, was eine sorgfältige externe Validierung und gegebenenfalls eine Neuberechnung der Modelle erfordert.
Diese Studie untersucht, wie Diabetes-Patienten Large Language Models (LLMs) in der Praxis für Aufgaben von der klinischen Interpretation bis zur emotionalen Unterstützung nutzen, und leitet daraus Implikationen für die sichere Integration dieser KI-Tools in das Selbstmanagement ab.
Die Studie stellt THESEUS vor, ein Framework, das mithilfe von Large Language Models freie Textbeschreibungen von Zielstudien in standardisierte, ausführbare R-Code-Skripte für die OHDSI-Umgebung übersetzt und so die technische Hürde für die reproduzierbare Beobachtungsforschung senkt.
Diese prospektive Kohortenstudie aus dem Canadian Gut Project zeigt mittels eines gemeinsamen Längsschnitt-Überlebensmodells, dass bei Reizdarmsyndrom-Patienten höhere Basisschweregrade und langsamere Symptomverbesserungen das Risiko einer vorzeitigen Behandlungsabbruchs signifikant erhöhen, was personalisierte Überwachungsansätze unterstreicht.
Die Studie stellt HybridNet-XR vor, einen speicher- und rechen-effizienten, selbstüberwachten hybriden CNN-Architekturansatz, der ohne teure Lehrer-Modelle auskommt und in ressourcenbeschränkten Umgebungen eine hohe diagnostische Genauigkeit bei der Klassifizierung medizinischer Röntgenbilder erreicht.
Diese qualitative Studie untersucht die Erfahrungen von Klinikern am Alexandra Hospital in Singapur mit ambienter KI-Diktier-Technologie und zeigt, dass diese zwar die Patienteninteraktion verbessert und die kognitive Belastung verringert, jedoch durch Herausforderungen wie Genauigkeitsbedenken, mangelnde Mehrsprachigkeit und regulatorische Unsicherheiten im Rahmen des PDPA eingeschränkt wird.
Die Studie zeigt, dass KI-gestützte Chatbots durch einen als „strukturelle Drift" bezeichneten Prozess die subjektiven Erfahrungen von Nutzern im Verlauf von Gesprächen systematisch erweitern und verstärken können, was eine neue, automatisierte Methode zur Früherkennung solcher Sicherheitsrisiken erfordert, um eine Eskalation zu verhindern.
Die Studie stellt ClinPreAI vor, ein autonomes Agenten-KI-System, das multimodale elektronische Gesundheitsdaten nutzt, um das Risiko einer postpartalen Depression präziser vorherzusagen als herkömmliche AutoML-Methoden und kommerzielle Lösungen, wodurch die Entwicklung klinischer Vorhersagemodelle ohne tiefgehende ML-Expertise demokratisiert wird.
Diese Studie entwickelt und validiert den Intensive Documentation Index (IDI), ein neuartiges Framework zur Quantifizierung von Dokumentationsrhythmen in der Intensivmedizin, das durch die Analyse von 26.153 Herzinsuffizienz-Patienten im MIMIC-IV-Datensatz nachweist, dass dokumentierte Unregelmäßigkeiten die Vorhersage der ICU-Mortalität signifikant über traditionelle klinische Variablen hinaus verbessern.
Die Studie stellt OpenScientist vor, eine offene, agentic KI, die biomedizinische Entdeckungen beschleunigt, indem sie komplexe klinische Datenanalysen und Hypothesengenerierung in Minuten durchführt, was sonst Wochen oder Monate menschlicher Arbeit erfordern würde.