193 Arbeiten
Die Studie zeigt, dass die direkte Schätzung des Krankenhausaufenthalts durch Large Language Models aus klinischen Notizen zwar eine schwache, aber signifikante Vorhersagekraft für die Verweildauer bei Patienten mit ambulant erworbener Pneumonie besitzt, während sentimentbasierte Analysen aufgrund des objektiven Charakters medizinischer Dokumentation nur eine geringe Korrelation aufweisen.
Diese Forschung stellt ein reproduzierbares, interpretierbares und ressourcenschonendes Framework zur Laufzeit-Anomalieerkennung für KI-gestützte Krankenrufsysteme vor, das auf einem Isolation-Forest-Modell basiert, um die Betriebssicherheit und Zuverlässigkeit in medizinischen Umgebungen zu gewährleisten.
Diese Studie zeigt, dass Sepsis-Vorhersagemodelle in einem akademischen Zentrum echte biologische Signale erkennen und nicht primär auf Behandlungsintensität basieren, wobei die wichtigste Erkenntnis eine systematische Diskrepanz zwischen klinischen und administrativen Sepsis-Definitionen ist, die die Validität von AI-Benchmarks und regulatorischen Berichten in Frage stellt.
Diese Studie vergleicht die Leistung von 11 verschiedenen Filtern in Ovid Embase zur Entfernung von Tier- und Nichtmenschendaten, indem sie Sensitivität, Spezifität und Genauigkeit anhand von 3.000 getesteten Datensätzen analysiert und feststellt, dass die Filtereffektivität je nach Fachgebiet, Publikationstyp und Sprache variiert.
Die Studie zeigt, dass ein paarweises Ranking-Verfahren mit einem Large-Language-Model-Richter im Vergleich zur herkömmlichen ESI-Triage und zu überwachten Modellen eine überlegene oder gleichwertige Vorhersagekraft für kritische Verschlechterungen in der Notaufnahme bietet und dabei ohne standortspezifisches Training eine robuste Stabilität über verschiedene Einrichtungen hinweg aufweist.
Diese Studie stellt eine KI-gestützte Pipeline vor, die durch die automatische Extraktion und Ensemble-Aggregation multimodaler EHR-Daten die manuelle Erfassung klinischer Registerdaten erheblich reduziert und dabei eine Genauigkeit von über 99 % bei gleichzeitiger Sicherstellung von Registrierungsstandards erreicht.
Diese nationale Fairness-Audit-Studie an über 386.000 US-Erwachsenen zeigt, dass die Durchsetzung demografischer Parität bei HIV-Testvorhersagemodellen die Erkennungsraten für Hochrisikogruppen wie Schwarze Menschen drastisch senkt und daher als unangemessenes Fairness-Kriterium in klinischen Kontexten mit unterschiedlicher Krankheitslast abgelehnt werden sollte.
Dieser Artikel wurde von medRxiv zurückgezogen, da er mit falschen Informationen eingereicht wurde.
Dieser Artikel wurde von medRxiv zurückgezogen, da er mit falschen Informationen eingereicht wurde.
Diese Studie belegt mittels stochastischer Grenzflächenanalyse und bayesscher Modellmittelung, dass blockchainbasierte Systeme die technische Effizienz des Gesundheitsdatenaustauschs in südkoreanischen Krankenhausnetzwerken im Vergleich zu konventionellen Plattformen signifikant steigern.
Dieser Artikel wurde von medRxiv zurückgezogen, da er mit falschen Informationen eingereicht wurde.
Dieser Artikel wurde von medRxiv zurückgezogen, da er mit falschen Informationen eingereicht wurde.
Die Studie stellt RLSYN+REG vor, ein reinforcement-learning-basiertes Generierungsmodell, das die wissenschaftliche Nutzbarkeit synthetischer biomedizinischer Daten verbessert, indem es sicherstellt, dass auf synthetischen Daten trainierte Regressionsmodelle die Koeffizienten und Vorhersagen ihrer Real-Daten-Pendants nachbilden, was zu signifikant höheren Korrelationen und einer besseren Vorhersageleistung führt, ohne dabei die Datenfidelität oder den Datenschutz zu beeinträchtigen.
Diese Studie zeigt, dass neuartige funktionale Merkmale der räumlichen Nähe und Kreisförmigkeit aus dem digitalen Uhrzeiger-Test (dCDT) in Kombination mit etablierten zeitbasierten Merkmalen eine Vorhersagekraft für kognitive Beeinträchtigungen aufweisen, die mit herkömmlichen zusammengefassten Merkmalen vergleichbar ist.
Diese Studie etabliert die Ollivier-Ricci-Krümmung als quantitativen geometrischen Biomarker, der durch die Analyse von medizinischen Ontologien, altersstratifizierten Komorbiditätsnetzwerken und biologischen Interaktionsgraphen universelle strukturelle Prinzipien wie hyperbolische Taxonomien und sphärische, redundante Konnektivität in evolutionären Systemen aufdeckt.
Diese Studie zeigt, dass sowohl logistische Regression als auch Gradient-Boosting-Modelle unter Verwendung von CDC-Überwachungsdaten (2010–2025) eine nahezu perfekte Genauigkeit bei der Früherkennung von Influenza-Ausbrüchen in den USA erreichen, wobei die logistische Regression unter strenger zeitlicher Validierung die besten Ergebnisse erzielte.
Eine Analyse von über 410.000 Reddit-Posts zeigt, dass bei der Einnahme von Semaglutid und Tirzepatid neben häufigen gastrointestinalen Nebenwirkungen auch bisher unerkannte Symptome wie Menstruationsstörungen und Kälteempfinden auftreten, was die Bedeutung sozialer Medien für die Ergänzung klinischer Sicherheitsdaten unterstreicht.
Die vorgestellte Arbeit führt einen modularen, adapterbasierten Ansatz ein, der durch die Entkopplung von Reasoning- und Reward-Optimierung mittels LoRA die Stabilität und Auditierbarkeit kleiner klinischer Sprachmodelle verbessert, ohne deren Genauigkeit zu beeinträchtigen.
Die vorliegende Arbeit stellt die Orphanet-Nomenklatur und -Klassifikation seltener Krankheiten als einziges interoperables, seltene-Krankheiten-spezifisches medizinisches Terminologiesystem vor, das durch eine umfassende Aktualisierung, Expertengenehmigung und detaillierte Abbildung auf andere semantische Ressourcen die genaue Identifizierung, Kodierung und grenzüberschreitende Datenaustauschbarkeit seltener Krankheiten für Gesundheitswesen, Forschung und öffentliche Gesundheit ermöglicht.
Die „GLOW UP"-Studie ist eine prospektive Beobachtungsstudie in der Schweiz, die die Machbarkeit des Screenings auf Prädiabetes mittels digitaler Biomarker aus Wearable- und Smartphone-Daten sowie die Charakterisierung von Lebensstilfaktoren bei Erwachsenen mit erhöhtem Risiko untersucht.