184 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 Manuskript, welches ein erklärbares Deep-Learning-Modell zur Brustkrebsdiagnose mittels 2D-Graustufen-Ultraschall vorschlug, wurde von den Autoren aufgrund von Interessenkonflikten und der Uneinigkeit eines Co-Autors bezüglich der Methodik zurückgezogen.
Dieses Paper stellt SPIRIT-CONSORT-ELM vor, ein neuartiges Framework und Datensatz, das bestehende Berichterstattungsrichtlinien auf die Elementebene erweitert und eine hybride Pipeline aus PubMedBERT und generativen Large Language Models nutzt, um die Vollständigkeit und Transparenz von Berichten über randomisierte kontrollierte Studien mit hoher Genauigkeit automatisch zu bewerten.
Diese Querschnittsstudie unter medizinischem Fachpersonal in Freetown, Sierra Leone, zeigt eine geringe Prävalenz einer privaten Krankenversicherung trotz hoher Bereitschaft zur Anmeldung auf, wobei keine signifikanten demografischen oder sozioökonomischen Faktoren als Determinanten identifiziert wurden, was die Notwendigkeit unterstreicht, ungeprüfte Barrieren wie Kosten und Zugänglichkeit anzugehen, um die universelle Gesundheitsversorgung in der Region voranzutreiben.
Diese Studie validiert die Nützlichkeit des Empatica E4 Armbands für die Schlafforschung durch die Analyse des Wearanize+-Datensatzes, wobei sie dessen Genauigkeit bei der Verfolgung von Herzfrequenz und Hauttemperatur über verschiedene Schlafstadien hinweg bestätigt und gleichzeitig spezifische Einschränkungen bei den Messungen der elektrodermalen Aktivität aufgrund von Schweißansammlungen am Handgelenk identifiziert.
Dieses Paper schlägt ein erklärbares multimodales KI-Framework vor, das überwachtes Deep Learning mit konservativem Offline-Reinforcement-Learning integriert, um klinische Entscheidungen nach chirurgischen Eingriffen zu unterstützen, während es gleichzeitig die Praktiken synthetischer Daten kritisiert und die Architektur des Systems durch eine rigorose Real-Daten-Methodik validiert.
Dieser registrierte Bericht präsentiert einen Artefaktindex für kapazitive EKG-Signale, die von einem instrumentierten Sessel erfasst wurden, welcher einen Voting-Ansatz aus drei Signalqualitätsindizes nutzt, um effektiv zwischen sauberen und artefaktbehafteten Segmenten während des Lesens und Fernsehens zu unterscheiden und somit eine zuverlässige kontinuierliche Gesundheitsüberwachung in unüberwachten realen Umgebungen zu ermöglichen.
Das Paper stellt PolyCLIP-T vor, ein topologiegestütztes multimodales Framework, das Ganzgenomsequenzierung und persistente Homologie nutzt, um stabile Cluster polygener Varianten über familiäre multimorbide Störungen hinweg zu identifizieren und dadurch effektiv die Einschränkungen traditioneller regelbasierter Pipelines bei der Detektion von nicht-kodierenden, strukturellen und mit geringer Penetranz behafteten genetischen Treibern zu überwinden.
Diese Studie evaluiert drei aus der Photoplethysmographie abgeleitete Signale der mikrovaskulären Reaktivität im MIMIC-IV-WDB v0.1.0-Datensatz mittels menschlicher und KI-gestützter visueller Inspektion und stellt fest, dass zwei Signale in den meisten Fällen die beabsichtigte Physiologie nicht erfassten und das dritte durch die Sensorplatzierung begrenzt war, wodurch die Notwendigkeit einer vorläufigen Rohdatenvallidierung vor dem nachgelagerten Modellierungsprozess hervorgehoben wird.
Dieses Paper stellt BodyMAE vor, einen oberflächenflächenbewussten Masked Autoencoder, der metrische 3D-Körperscans nutzt, um Körperzusammensetzungsmetriken wie Fett- und Magermasse präzise zu schätzen, wobei eine hohe Korrelation mit klinischen DXA-Messungen erreicht wird, während gleichzeitig Herausforderungen wie nicht uniforme Punktdichte und Gerätevariabilität überwunden werden.
Genosolver ist ein integrierter Workflow, der Large Language und Reasoning Models nutzt, um detaillierte klinische Erkenntnisse aus unstrukturierten Narrativen zu extrahieren, wodurch die Diagnoseraten für seltene Krankheiten signifikant verbessert und bestehende Tools wie Exomiser durch die effektivere Priorisierung kausaler genetischer Varianten übertroffen wird.