📄 Category

health informatics

256 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.

📄 Medizinische Informatik

People living with multiple long-term conditions have different pathways of unscheduled care in hospital: findings from an analysis of routinely-collected clinical data

Eine Analyse routinemäßiger klinischer Daten aus einem großen britischen Krankenhaus zeigt, dass Erwachsene mit mehreren chronischen Erkrankungen komplexere unvorhergesehene Versorgungswege durchlaufen, einschließlich längerer Aufenthalte, höherer Mortalität und anderer Stationsverlegungsmuster im Vergleich zu Personen ohne solche Erkrankungen, was darauf hindeutet, dass sie möglicherweise eine suboptimale Versorgung erhalten.

Witham, M., Evison, F., Bellass, S., Cooper, R., Gallier, S., Pretorius, S., Sapey, E., Suklan, J., Sayer, A. A.2026-09-01
📄 Medizinische Informatik

Artificial Scientific Intelligence for Measurement-burden-aware Modelling and Interpretation of Multi-site Bone Mineral Density

Die Studie stellt den DXA Agent vor, einen agentischen Workflow, der die Modellierung der Knochendichte optimiert, indem er die Vorhersageleistung mit dem Messaufwand abwägt, wobei er zeigt, dass kosteneffiziente Modelle herkömmliche Ansätze in der UK Biobank übertreffen, während sie in NHANES vergleichbare Ergebnisse erzielen.

Xiang, S., He, H., Xie, Z., Cheng, C.-Y., Li, H., Liu, D.2026-09-01
📄 Medizinische Informatik

Drivers of Oncologist Preference of AI-Generated Literature Review in a Randomized Mixed-Methods Study

Diese randomisierte Mixed-Methods-Studie zeigt, dass das Vertrauen und die Präferenz von Onkologen für KI-generierte Literaturübersichten stärker von Designmerkmalen der Berichte abhängen – wie etwa Prägnanz, verifizierbare Zitate und explizite Unsicherheit – als allein von der Genauigkeit, was durch signifikant niedrigere Nutzenbewertungen für evidenzbasierte Berichte im Vergleich zu Standardformaten trotz ähnlicher Referenzqualität belegt wird.

Bunning, B. J., Weng, Y., Wu, D. J., Hui, G., Hope, J. E., Pandurangan, V., Lopez, I., Everett, S., Chen, J. H., Desai (…)2026-08-27
📄 Medizinische Informatik

Detecting Self-Repairs from Spontaneous Speech with Prompt Ablation Across LLMs and Fine-Tuned Encoder

Diese Studie zeigt, dass ein rechnerisch effizienter, feinabstimmbarer DistilBERT-Encoder eine praktikablere und kosteneffizientere Lösung für die Erkennung von Selbstreparaturen in spontaner Sprache für das klinische Screening darstellt als große generative LLMs, welche in ihrer Leistung und Prompt-Sensitivität erheblich variieren.

Wu, R., Pugh, S., OCOnnor, K. B., Xie, K., O'Brien, K., Johnson, K.2026-08-25
📄 Medizinische Informatik

Offline Reinforcement Learning for Out-of-Distribution ICU Sepsis Decision Support

Diese Arbeit zeigt auf, dass Offline-Reinforcement-Learning-Policies für das Sepsis-Management auf der Intensivstation stabile, aktionssensitive Entscheidungsunterstützungssignale unter zunehmenden Out-of-Distribution-Schwergradsverschiebungen aufrechterhalten, wie durch konsistente modellvorhergesagte Überlebensraten und verbesserte physiologische Stabilisierungswerte trotz sinkender beobachteter klinischer Ergebnisse belegt wird.

Arasteh, E., Mirian, M. S., Tavakol, M.2026-08-25
📄 Medizinische Informatik

Evaluating Clinical Concept Extraction and Evidence-Bounded Terminology Linking: Multisite Model Comparison and Pilot Ablation Study

Diese Arbeit evaluiert die Extraktion klinischer Konzepte und die evidenzgebundene Terminologieverknüpfung durch eine multizentrische Pilotstudie und zeigt auf, dass die Extraktionsleistung zwar signifikant nach Matching-Kriterien variiert, die Verfügbarkeit abgerufener Evidenz jedoch die Verknüpfungsentscheidungen entscheidend beeinflusst und dass anfänglich nicht übereinstimmende Begriffe oft plausible bestehende Konzepte anstatt echter ontologischer Neuheiten darstellen.

Chen, Y., Popescu, M.2026-08-24
📄 Medizinische Informatik

Does Data Preprocessing Affect Tree-Based Super Learners? An Investigation of Ensemble Optimization and Oracle Properties in Clinical Classification.

Diese Studie zeigt, dass für Super-Learner-Ensembles, die aus baumbasierten Algorithmen bestehen, die Datenvorverarbeitung über die meisten klinischen Datensätze hinweg vernachlässigbare Verbesserungen der Vorhersageleistung und des Oracle-Verhaltens bewirkt, was darauf hindeutet, dass eine solche Vorverarbeitung nicht universell notwendig ist und durch spezifische Datensatzcharakteristika geleitet werden sollte.

Darko, R., Dwumah, D., Agyapong, K. S., Agyenim-Boateng, Y., Darko Anim, R., Wisdom Jakper, J., Owusu-Ansah, N. K., Owus (…)2026-08-24
📄 Medizinische Informatik

Grounding Health AI: Architecture and Evaluation of a Domain-Expert Metabolic Health Agent

Dieses Paper präsentiert den HPP Personal Health Agent, ein domänenspezifisches KI-System, das phänotypische Daten auf Bevölkerungsebene, klinische Expertentools und deklarative Verhaltensbeschränkungen kombiniert, um Halluzinationen zu eliminieren und eine hohe Genauigkeit bei der Berichterstattung über die metabolische Gesundheit zu erreichen, was demonstriert, dass vertrauenswürdige medizinische KI eine rigorose, evaluierungsorientierte Systemarchitektur erfordert, anstatt sich ausschließlich auf allgemeine Sprachmodelle zu verlassen.

Diament, A., Sapir, G., Gorodetski, M., Wolf, A., Rice, A., Azouri, D., Etzion-Fuchs, A., Gelbard Solodkin, D., Talmor-B (…)2026-08-14