225 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.
Dieses Paper stellt EpiKG2DAG vor, ein automatisiertes Framework, das unstrukturierte biomedizinische Texte in einen epidemiologischen Wissensgraphen transformiert, um systematisch evidenzbasierte gerichtete azyklische Graphen (DAGs) für die kausale Inferenz zu generieren und damit die kritische Lücke bei der Evidenzabfrage in der traditionellen, expertengetriebenen Modellierung zu schließen.
Diese Studie führt FHIRBench-UK ein, um zu demonstrieren, dass das optimale FHIR-zu-Text-Serialisierungsformat für klinische LLMs kontextabhängig statt universell ist, wobei aufgezeigt wird, dass aufgabenbewusstes Routing die Leistung über verschiedene Modelle und Aufgaben hinweg signifikant verbessert und gleichzeitig eine kritische Diskrepanz zwischen Metriken auf Token-Ebene und klinischer Qualität hervorhebt.
In einer Multi-System-Kohorte von über 17.000 Patienten zeigte das 2026 AHA/ACC-Framework für Lungenembolien einen reproduzierbaren Mortalitätsgradienten über seine fünf Hauptkategorien hinweg, wies jedoch eine begrenzte prognostische Verfeinerung innerhalb des breiten Intermediärrisiko-Bereichs sowie moderate Reklassifizierungsvariationen im Vergleich zum 2019 ESC-System auf.
Diese Studie integriert ein agentenbasiertes Immunsystemmodell mit transkriptomischer Analyse, um zu identifizieren, dass die zytotoxische Effizienz von natürlichen Killerzellen und CD8+-T-Zellen bei der Erkennung von tumorassoziierten Antigenen ein entscheidender Determinant für die Behandlungsergebnisse des Hepatoblastoms ist.
Diese zurückgezogene protokollbasierte Studie zielte darauf ab, ein Risikomodell für das Rezidiv von Gallengangsteinen nach einer Operation zu erstellen, indem sie das Wissen, die Einstellungen und das Verhalten von 100 Patienten untersuchte, wobei sich zeigte, dass die Patienten zwar über angemessenes Wissen verfügten, jedoch negative Einstellungen und eine mangelnde Therapietreue bei den Präventionsmaßnahmen aufwiesen.
Diese Studie analysiert über 6 Millionen Tweets aus Subsahara-Afrika, um aufzuzeigen, dass Desinformation über COVID-19-Impfstoffe durch regionalspezifische Bedenken statt durch Einkommensniveaus getrieben wird, um politische Verpflichtungen herum ihren Höhepunkt erreicht und maßgeschneiderte, langfristige Strategien zur Bekämpfung von Desinformation erfordert.
Dieses Paper schlägt ein hybrides Entscheidungsunterstützungs-Framework vor, das durch die Integration von umfragegewichtetem Regel-Ensemble-Lernen mit Decision Model and Notation (DMN) narrative klinische Empfehlungen in auditierbare, ausführbare Logik transformiert und dessen Fähigkeit demonstriert, den Diabetes-Status zu klassifizieren sowie die Sensitivität des Patientenrisikos gegenüber hypothetischen BMI-Reduktionen in einer aus NHANES abgeleiteten Kohorte zu quantifizieren.
Diese Arbeit führt eine multidimensionale Engagement-Metrik für das Helpilepsy-Anfallstagebuch ein, wobei mittels Clusteranalyse distinkte Nutzergruppen identifiziert werden und aufgezeigt wird, dass hochgradig engagierte Patienten typischerweise älter sind, längere Epilepsiegeschichten sowie komplexere Medikationsregime aufweisen, wodurch die Notwendigkeit gezielter Onboarding-Strategien für neue Patienten sowie die Bedeutung der Nutzung vielfältiger Tagebuchfunktionen über das einfache Protokollieren von Anfällen hinaus hervorgehoben wird.
Dieses Paper führt den EHR Density Index (EDI) ein, eine neuartige Kennzahl, die aus UNC Health-Daten abgeleitet wurde und das Dokumentationsvolumen sowie die Dokumentationstiefe unabhängig von der Krankheitslast quantifiziert, um als Kontrollvariable für Störfaktoren in der realen EHR-basierten Forschung zu dienen.
Diese Studie zeigt, dass eine deterministische Ontologie und eine auf Embeddings basierende Pipeline die heterogenen klinischen Studiendaten in Deutschland zwar teilweise mit den ICD-10-Standards harmonisieren können, Large Language Models (speziell GPT-4o) jedoch die Leistung signifikant übertreffen, indem sie eine nahezu perfekte Übereinstimmung mit der Expertenkodierung durch Menschen erreichen und somit eine überlegene Lösung für die registerübergreifende Analyse der Krankheitslandschaft bieten.