📄 Category

health informatics

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.

An End-to-End Synthetic Oncology Clinical Trial Framework Integrating Radiographic Response, Circulating Tumor DNA, Safety, and Survival for Decision-Oriented Clinical Data Science

Diese Studie stellt einen synthetischen, literaturbasierten Rahmen für onkologische klinische Phase-II-Studien vor, der die Integration radiografischer, molekularer (ctDNA), Sicherheits- und Überlebensdaten demonstriert, um einen kohärenten Wirksamkeits-Sicherheits-Signalverlauf zu erzeugen und als entscheidungsorientiertes Prototyp für die klinische Datenwissenschaft zu dienen.

Petalcorin, M. I. R.2026-04-08📄 health informatics

Using Relative Risk Rankings to Understand Information Differences in Multimodal Prediction Models

Die Studie zeigt, dass der Ersatz von Röntgenbildern durch radiologische Berichte die Prognosegenauigkeit für die 30-Tage-Mortalität verringert und zu einer veränderten Risikopriorisierung führt, da schriftliche Zusammenfassungen wichtige visuelle prognostische Hinweise nicht vollständig erfassen.

Kim, C., Yoon, W., Lee, H., Lee, J.-O., Afshar, M., Kang, J., Miller, T. A.2026-04-07📄 health informatics

Who is leading medical AI? A systematic review and scientometric analysis of chest x-ray research

Diese systematische Überprüfung und scientometrische Analyse von 928 Studien zur KI-gestützten Auswertung von Thorax-Röntgenaufnahmen zeigt erhebliche globale Ungleichheiten auf, da Forschung und Trainingsdaten überwiegend von Hochlohnländern dominiert werden, was das Risiko birgt, dass KI-Systeme in unterschiedlichen Gesundheitssystemen unzuverlässig funktionieren und bestehende Gesundheitsdisparitäten verschärfen.

Vasquez-Venegas, C., Chewcharat, A., Kimera, R., Kurtzman, N., Leite, M., Woite, N. L., Muppidi, I. J., Muppidi, R. J., Liu, X., Ong, E. P., Pal, R., Myers, C., Salzman, S., Patscheider, J. S., John (…)2026-04-07📄 health informatics

Attitudes and Perceptions Toward the Use of Artificial Intelligence Chatbots for Peer Review in Medical Journals: A Large-Scale, International Cross-Sectional Survey

Eine große internationale Umfrage unter medizinischen Peer-Reviewern zeigt, dass trotz hoher Bekanntheit von KI-Chatbots deren Einsatz im Begutachtungsprozess noch begrenzt ist und vor einer breiteren Implementierung ethische Bedenken sowie der Mangel an Schulungen adressiert werden müssen.

Ng, J. Y., Bhavsar, D., Dhanvanthry, N., Bouter, L., Chan, T., Cramer, H., Flanagin, A., Iorio, A., Lokker, C., Maisonneuve, H., Marusic, A., Moher, D.2026-04-07📄 health informatics

Citation Hallucination Determines Success: An Empirical Comparison of Six Medical AI Research Systems

Die Studie zeigt, dass die Zuverlässigkeit medizinischer KI-Forschungssysteme maßgeblich von der Vermeidung von Zitationshalluzinationen abhängt und dass ein mehrstufiger Bewertungsrahmen mit programmatischer Verifikation im Vergleich zu rein subjektiven LLM-Bewertungen zu einer deutlich zuverlässigeren Einschätzung der wissenschaftlichen Integrität führt.

Shi, X., Tian, Z., Tan, S., Wang, X.2026-04-04📄 health informatics

Multi-Task Learning and Soft-Label Supervision for Psychosocial Burden Profiling in Cancer Peer-Support Text

Die Studie zeigt, dass Multi-Task-Learning mit einem reinen Komposit-Ziel die Modellierung psychosozialer Belastungen in Krebs-Foren am effektivsten unterstützt, während Soft-Label-Supervision durch LLMs im Vergleich zu harten Labels keine Leistungsverbesserung bei der Emotionsklassifizierung brachte.

Wang, Z., Cao, Y., Shen, X., Ding, Z., Liu, Y., Zhang, Y.2026-04-04📄 health informatics

A Reproducible Health Informatics Pipeline for Simulating and Integrating Early-Phase Oncology Clinical, Biomarker, and Pharmacokinetic Data for Exploratory Decision-Support Analytics

Diese Studie stellt einen reproduzierbaren Python-basierten Workflow vor, der synthetische klinische, Biomarker- und pharmakokinetische Daten aus frühen onkologischen Studien integriert, um analysierbare Datensätze, Visualisierungen und explorative Vorhersagemodelle für die Entscheidungsfindung zu generieren.

Petalcorin, M. I. R.2026-04-02📄 health informatics

Self-Reported Symptoms Enable Four-Phase Menstrual Cycle Classification with Hormonally Validated Labels

Diese Studie zeigt, dass ein hybrides Modell aus Gradient-Boosting und Hidden Semi-Markov-Modellen allein auf Basis von selbstberichteten Symptomen eine hormonell validierte Klassifizierung der vier Menstruationsphasen mit einer Genauigkeit von 67,6 % ermöglicht und damit eine ressourcenschonende, tragbare-freie Überwachung der reproduktiven Gesundheit unterstreicht.

Specht, B., Tayeb, Z. Z., Garbaya, S., Khadraoui, D., EL-Khozondar, M., Schneider, R.2026-04-01📄 health informatics