📄 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

Comparing Human and Large Language Model Responses to Patients Online Questions: Towards Multi-dimensional Patient-centered Support

Diese Studie vergleicht empirisch große Sprachmodelle und Antworten von Gleichgesinnten auf Online-Fragen von Patienten zu Laborergebnissen und stellt fest, dass LLMs zwar exzellent darin sind, klare, strukturierte medizinische Erklärungen zu liefern, Gleichgesinnte jedoch mehr personalisierte emotionale Unterstützung bieten, was darauf hindeutet, dass LLMs Peer-Communities effektiv ergänzen könnten, wenn sie ihre emotionale Tiefe, die Transparenz der Argumentation und die Übereinstimmung mit Gemeinschaftsnormen verbessern.

Hussein, M. A., Doshi, R., He, L., Reynolds, T.2026-07-17
📄 health informatics

FootNet: A Multi-View Smartphone Dataset and Four-Model Benchmark for Clinical Foot Segmentation

Dieses Paper führt FootNet ein, einen Multi-View-Smartphone-Datensatz mit von Experten annotierten Masken für die klinische Fußsegmentierung, und etabliert einen Benchmark, der zeigt, dass ein U-Net mit einem MobileNetV2-Encoder andere Modelle, einschließlich DeepLabV3, UNet++ und SAM ViT-B, in Bezug auf die Segmentierungsgenauigkeit signifikant übertrifft.

Vijay, A., Prabhune, A., Srihari, V. R., Rayampalli, A.2026-07-17
📄 health informatics

What Week 8 Knows: Forecasting Six-Month GLP-1 Outcomes

Diese Studie präsentiert ein validiertes prädiktives Instrument, das die Gewichtsabnahme in Woche 8 sowie Patientencharakteristika nutzt, um die Sechs-Monats-GLP-1-Ergebnisse und das Abbruchrisiko zu prognostizieren, wodurch klinisch verwertbare Erkenntnisse für die gemeinsame Entscheidungsfindung geliefert werden, während gleichzeitig dessen Einschränkung als prognostische statt therapeutische Orientierungshilfe anerkannt wird.

Erly, B., Raja, S.2026-07-16
📄 health informatics

Beyond Intensity: Cross-Dataset Consistency of Temporal Facial Action-Unit Dynamics as Transferable Markers of Depression

Diese Studie zeigt, dass, während hochintensive Merkmale der Gesichtsbewegungseinheiten oft nicht über verschiedene Datensätze hinweg generalisieren, langsamere zeitliche Dynamiken und spezifische Koaktivierungsmuster (wie die Entkopplung von Augen und Mund) robuste, übertragbare Marker für Depressionen darstellen, was darauf hindeutet, dass richtungsgebundene Konsistenz ein überlegenes Kriterium für die Auswahl von Merkmalen in der multizentrischen Affektforschung ist.

Jeong, I., Jang, M., Kim, J.-w., Kim, H., Park, S., Kim, D.-K., Park, J.-H., Kim, Y., Kim, J.-M., Lee, H., Jhon, M.2026-07-15
📄 health informatics

Healthcare Big Data Platform for Linking National Databases in Korea: System Development and Research Applications

Die Healthcare Big Data Linkage Platform (HCDL) in Südkorea adressiert systemische Ineffizienzen durch die Integration von 13 nationalen Datenbanken über eine vertrauenswürdige dritte Partei und einen zentralisierten Prüfungsprozess, wodurch erfolgreich ein Anstieg von Multi-Datenbank-Forschungsanträgen erleichtert wurde, um datengesteuerte und präzisionsmedizinische Forschung voranzutreiben.

Kim, Y., Lee, Y., Jeong, J.2026-07-13
📄 health informatics

How Best to Explain Machine Learning Models to Clinicians: A User Study of Explanation Types

Diese Nutzerstudie mit 39 Klinikern zeigt, dass, während at-tributionsbasierte Erklärungen das Vertrauen und das Verständnis von maschinellen Lernprognen im klinischen Umfeld am signifikantesten verbessern, fast die Hälfte der Teilnehmer es bevorzugt, mehrere Erklärungstypen einzusehen, was darauf hindeutet, dass zukünftige Implementierungen Attributionsmethoden priorisieren, aber gleichzeitig vielfältige, auf spezifische klinische Rollen zugeschnittene Formate anbieten sollten.

Brown, B., Oguss, M., Carey, K. A., Martin, J., Kotula, C. A., Nguyen, O. T., Akel, M., Wiegmann, D. A., Edelson, D. P. (…)2026-07-10
📄 health informatics

Adaptation and Psychometric Validation of a Facility-Level Tool to Assess Telemedicine Readiness in Primary Care

Diese Studie hat das Telemedicine Readiness Inventory at the Facility Level (TRI-F) unter Verwendung von Daten aus 774 Primärversorgungseinrichtungen in Peru erfolgreich adaptiert und psychometrisch validiert, wobei sie deren Strukturvalidität, interne Konsistenz sowie die Nützlichkeit für das Benchmarking und die Planung der Implementierung von Telemedizin nachwies.

Escobar-Agreda, S., Villarreal-Zegarra, D., Reategui-Rivera, C. M., Paredes-Gonzales, Y., Rojas-Mezarina, L.2026-07-10
📄 health informatics

Does OMOP CDM Conversion Improve Cross-Country Comparability of Real-World Data? A Benchmark Study in Breast Cancer and Amyotrophic Lateral Sclerosis

Diese Benchmark-Studie zeigt, dass die Konvertierung von Real-World-Daten aus Dänemark, Finnland und Portugal in das OMOP Common Data Model zwar semantisch abgestimmte länderübergreifende Vergleiche für Brustkrebs und ALS ermöglicht, jedoch die zugrunde liegende Datenheterogenität nicht eliminiert, was ein iteratives Benchmarking gegen die nativen Daten sowie klinische Expertise erforderlich macht, um valide epidemiologische Erkenntnisse zu gewährleisten.

Aborageh, M., Korcinska Handest, M. R., Bakos, I., Rajamaki, B., Silva, C., Horvath-Puho, E., Pylkkaenen, L., Venda, C. (…)2026-07-09
📄 health informatics

A large language model-assisted workflow for generating a living evidence base for climate-sensitive foodborne disease

Diese Studie zeigt, dass ein durch LLMs unterstützter Workflow, der strukturierte Suchanfragen mit iterativer GPT-4-Turbo-Verfeinerung kombiniert, effektiv eine schnelle, skalierbare und politisch relevante Living-Evidence-Basis für klimasensible lebensmittelbedingte Krankheiten mit hoher Trefferquote und verbesserter Screening-Konsistenz generieren kann.

Elson, R., McIntyre, K. M., Hardingham, M. B., Luechtefeld, T., Lake, I. R.2026-07-08
📄 health informatics

RenalTransLSTM: Multi-Horizon Prediction of Acute Kidney Injury in ICU Patients using a Hybrid LSTM-Transformer Architecture

RenalTransLSTM ist ein hybrides Deep-Learning-Framework, das LSTM- und Transformer-Architekturen kombiniert, um durch die effektive Erfassung sowohl lokaler zeitlicher Dynamiken als auch globaler kontextueller Abhängigkeiten in elektronischen Gesundheitsakten eine überlegene Multi-Horizont-Vorhersage von akutem Nierenversagen bei Intensivpatienten zu erreichen.

Badhon, S. M. S. I., Adibuzzaman, M., Mosa, A. S. M., Bozdag, S., Cleveland, A. D., Ding, J., Hossain, K. S. M. T.2026-07-06