📄 Category

health informatics

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.

📄 health informatics

Is Lower Limb Movement Enough? Quantifying Overground Arm Swing Kinematics and Coordination to Assess Ageing Decline in Older Adults

Diese Studie validiert einen Algorithmus für tragbare Sensoren zur Quantifizierung der Armschwingkinematik und -koordination beim Gehen bei älteren Erwachsenen und zeigt auf, dass die Arm-Bein-Koordination eine eigenständige und sensible Dimension der Gangstabilität darstellt, die mit Gebrechlichkeit und neurologischen Beeinträchtigungen abnimmt, wodurch eine skalierbare Methode zur Erkennung früher Mobilitätsinstabilität jenseits traditioneller Gehgeschwindigkeitsmetriken angeboten wird.

Tan, K. Z., Pai, S., Kim, Y. K., Frautschi, A., Gwerder, M., Tan, K. Y., Koh, V. J. W., Ravi, D., Taylor, W. R., Malhotr (…)2026-08-05
📄 health informatics

Digital Health Adoption, eHealth Literacy, and Trust in AI Among Generation Z University Students in Sri Lanka: An Empirical Study

Diese Studie zeigt, dass Studierende der Generation Z in Sri Lanka zwar über eine hohe eHealth-Literacy verfügen und zunehmend KI für Gesundheitsinformationen nutzen, ihre Nutzung digitaler Gesundheitsdienste jedoch durch erhebliche Datenschutzbedenken und eine beständige Präferenz für traditionelle persönliche Konsultationen eingeschränkt bleibt.

Athukorala, S. C.2026-07-28✓ Author reviewed ⓘ
📄 health informatics

A digital health approach for identifying polyendocrine metabolic ovarian syndrome using machine learning and body temperature

Diese Studie demonstriert die Durchführbarkeit des Einsatzes von Modellen des maschinellen Lernens auf Körpertemperaturdaten zur moderaten Vorhersage des Polyendokrinen Metabolischen Ovarsyndroms (PMOS), was auf ein potenzielles passives digitales Screening-Tool zur Identifizierung und Diagnose nicht erkannter Fälle hindeutet.

Awoniran, O. M., Lawlor, D. A., Gaunt, T. R., Millard, L. A. C.2026-07-27
📄 health informatics

Development and formative application of the Health Data Readiness Level framework for federated health-data services.

Dieses Papier präsentiert die Entwicklung und die formative Anwendung des Health Data Readiness Level (HDRL)-Frameworks, eines multidimensionalen Instruments zur Bewertung der organisatorischen und systemischen Bereitschaft für föderierte Gesundheitsdatendienste über drei britische Ökosysteme hinweg, wobei darauf hingewiesen wird, dass es sich weiterhin um ein Planungsinstrument und nicht um einen validierten Akkreditierungsstandard handelt.

Seymour, D., Halliday, R., Smart, J., Burns, F.2026-07-27
📄 health informatics

Sex and menstrual cycle differences in the mood-activity association should inform cycle-aware digital phenotyping

Diese Studie zeigt, dass die Beziehung zwischen körperlicher Aktivität und Stimmung je nach Geschlecht und Menstruationszyklusphasen signifikant variiert, insbesondere bei Frauen, was darauf hindeutet, dass Modelle des digitalen Phänotypisierens diese biologischen Faktoren berücksichtigen müssen, um verzerrte Vorhersagen zu vermeiden und personalisierte Erkenntnisse zur psychischen Gesundheit zu ermöglichen.

Delray, K., Zeitler, J. K., Hayes, J. F., Kandola, A., Keay, N., Evans, R. J.2026-07-27
📄 health informatics

Selective prediction as a triage gate for primary-care depression screening: quantifying and mitigating selection bias in CHARLS-2011

Diese Studie zeigt auf, dass kumulativer Selektionsbias beim Screening auf Depressionen in der Primärversorgung die Metriken des maschinellen Lernens aufbläht sowie epidemiologische Assoziationen verzerrt, und schlägt ein entkoppeltes selektives Vorhersage-Framework unter Verwendung einer Vier-Variablen-CART-Regel vor, um sicher nur die zuverlässigsten 20 % der Patienten für das algorithmische Scoring zu triagieren, während der Rest der menschlichen Evaluation zugeführt wird.

Wang, Z., liu, y.2026-07-22
📄 health informatics

Behavioural readiness, not demographics, predicts wearable adoption and digital medicine integration in a diverse multinational population: a cross-sectional study of 3,004 adults in Qatar

Diese Querschnittsstudie mit 3.004 Erwachsenen in Katar zeigt, dass die Verhaltensbereitschaft, insbesondere tägliche Bewegung und die Bereitschaft zum Datenteilen, ein stärkerer Prädiktor für die Einführung von Wearables und die Integration digitaler Medizin ist als traditionelle demografische Faktoren wie Bildung, was die Notwendigkeit unterstreicht, das Verhaltensengagement gegenüber dem demografischen Targeting für eine gerechte Implementierung digitaler Gesundheit zu priorisieren.

Zaghloul, H., Arabi, B., Al-Ani, M., Abdullah, A., El-Masri, R., AboMuslim, O., Al-Ahdab, F., Rizwan, M. R. M., Tag, Z. (…)2026-07-20
📄 health informatics

Assessing electronic health record potential for adaptive learning in multimorbidity care in Sub-Saharan Africa: a mixed-methods study of Zimbabwe's Impilo system

Diese Mixed-Methods-Studie über das Impilo-EHR-System in Simbabwe zeigt, dass das medizinische Fachpersonal an der Front zwar durch eine Hybridisierung aus digitalen und papierbasierten Werkzeugen adaptives Lernen für die Versorgung bei Multimorbidität generiert, das Fehlen soziotechnischer Arrangements zur Stabilisierung und Institutionalisierung dieses Lernens jedoch verhindert, dass sich das System zu einem echten lernenden Gesundheitssystem entwickelt, das in der Lage wäre, breitere Anpassungen in der Versorgung voranzutreiben.

Dhodho, E., Choga, K., Mundoga, F., Chimberengwa, P. T., Gongora, R. T., Webb, K., Chinyanga, T. T., Banda, F., Masiye (…)2026-07-19
📄 health informatics

Chart review and genetic validation of electronic medical record dementia diagnoses in VA: The impact of CMS data

Diese Studie bewertet die Auswirkungen der Einbeziehung von CMS-Daten in Algorithmen der elektronischen Patientenakte für die Alzheimer-Krankheit und verwandte Demenzen innerhalb des VA-Systems und stellt fest, dass CMS-Daten zwar die Fallerkennung und Sensitivität erhöhen, ein breiter Algorithmus ohne CMS-Daten jedoch optimal für die Epidemiologie ist, während ein strenger Algorithmus mit CMS-Daten die stärksten genetischen Assoziationen für spät einsetzende Alzheimer-Krankheit liefert.

Logue, M., Lee, S. O., Gillis, M., Zhang, R., Lee, M., Marra, D., Lopez, F. V., Lynch, J., Panizzon, M. S., Tsuang, D. W (…)2026-07-17