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.
Diese Studie stellt die Entwicklung und Evaluierung einer Natural-Language-Processing-Anwendung auf Basis eines BERT-Modells vor, die erfolgreich verschiedene Formen von Gewalt sowie deren Kontextmerkmale aus freien Texten in elektronischen psychiatrischen Krankenakten extrahiert und kategorisiert.
Die Autoren haben das Manuskript über die Entwicklung und externe Validierung eines hochpräzisen Modells zur Vorhersage von ICU-Einweisungen aus der Notaufnahme zurückgezogen, da sie einen Korrektur bedürftigen Fehler in der Analyse identifiziert haben.
Die Autoren stellen ein von regulatorischen Leitlinien inspiriertes statistisches Rahmenwerk vor, das die Wiederholbarkeit und Reproduzierbarkeit von Large Language Models anhand semantischer und interner Metriken quantifiziert und dabei zeigt, dass diese Stabilität stark von der Prompt-Strategie abhängt, jedoch nicht zwangsläufig mit der diagnostischen Genauigkeit korreliert.
Die Studie zeigt, dass die von Wearables abgeleitete kardiovaskuläre Fitnessalter-Schätzung bei 442 Erwachsenen signifikant mit unabhängigen Lebensstilfaktoren wie Schlafqualität, Schrittzahl und BMI korreliert und physiologische Verbesserungen über einen Zeitraum von 12 Monaten zuverlässig erfasst.
Diese pragmatische, frühe Evaluierung zeigt, dass das menschlich überwachte, auf großen Sprachmodellen basierende klinische Entscheidungsunterstützungssystem AIFYA, das an die nationalen Neugeborenenprotokolle Kenias angepasst ist, in ressourcenarmen Einrichtungen erfolgreich implementiert werden kann und dabei eine hohe Nutzerakzeptanz sowie eine starke Übereinstimmung mit Expertenbewertungen und Richtlinien aufweist.
Die Studie zeigt, dass trotz hoher diagnostischer Genauigkeit auf synthetischen klinischen Transkripten große Sprachmodelle bei unvollständigen Patientendaten gefährliche Fehleinschätzungen treffen, lebenswichtige Untersuchungen unterlassen und signifikante geschlechtsspezifische Sicherheitsunterschiede aufweisen.
Die Studie zeigt, dass offene Gesundheitsdaten unabhängig von der Höhe der Finanzierung eine konsistente zehnfache Zitationsverstärkung bewirken, jedoch erhebliche Unterschiede in der geografischen und geschlechtsspezifischen Zusammensetzung der Forschenden aufweisen, wobei ein persistenter Gender-Gap in leitenden Positionen besteht, der über reine Datenzugänglichkeit hinausgehende strukturelle Barrieren widerspiegelt.
Diese Studie nutzt Daten des „All of Us"-Forschungsprogramms, um zu zeigen, dass die Integration sozialer Determinanten der Gesundheit die Vorhersagegenauigkeit für chronische Krankheiten verbessert, wobei psychische Erkrankungen stärker durch erlebte Faktoren wie Stress und Diskriminierung beeinflusst werden, während kardiometabolische Erkrankungen vor allem von demografischen Merkmalen und strukturellen Nachbarschaftsfaktoren abhängen, was maßgeschneiderte statt einheitliche Screening-Protokolle nahelegt.
Eine kontrollierte Unterbrechungszeitreihenanalyse mit südkoreanischen Krankenversicherungsdaten zeigt, dass eine digitale Selbstmanagement-Plattform für Reizdarmsyndrom, deren Inhalte auf Social-Media-Diskursen basierten, zu einer signifikanten und anhaltenden Verringerung der Notaufnahmebesuche und ungeplanten Krankenhauseinweisungen führte.
Die Studie zeigt, dass ein auf LLMs basierendes System (Brim Analytics) im Vergleich zu einem ontologiebasierten Ansatz (DeepPhe) bei der automatisierten Extraktion von Krebsregisterdaten aus Pathologieberichten eine höhere Gesamtgenauigkeit und effiziente Verarbeitungszeiten erreicht.