193 Arbeiten
Diese qualitative Studie zeigt, dass sowohl Patienten als auch medizinische Fachkräfte das Potenzial von mobilen Gesundheitsanwendungen zur objektiven und longitudinalen Überwachung der zervikalen Spondylotischen Myelopathie anerkennen, wobei eine erfolgreiche Umsetzung eine benutzerzentrierte Gestaltung und nahtlose Integration in die klinische Praxis erfordert.
Die Studie stellt ein multimodales Deep-Learning-Framework vor, das mittels Vision Transformer und einem sprachbasierten Modell MRT-Bilder mit klinischen Textdaten kombiniert, um die Genauigkeit der präoperativen Vorhersage von Schilddrüsenkrebs im Vergleich zu unimodalen Ansätzen signifikant zu verbessern.
Diese Studie analysiert auf Basis von Fitbit-Daten des „All of Us"-Programms systematisch soziodemografische und gesundheitliche Faktoren, die die Tragedauer von Wearables beeinflussen, und stellt ein flexibles methodisches Rahmenwerk vor, um durch Anpassung von Compliance-Schwellenwerten und statistischen Korrekturen Datenverzerrungen zu minimieren und die Gesundheitsgerechtigkeit in der digitalen Forschung zu fördern.
Das auf Daten von fast 19 Millionen Erwachsenen basierende CHARIOT-Modell nutzt Kausalitätsanalysen, um den 10-Jahres-Risiko für kardiovaskuläre Erkrankungen unter spezifischen Interventionen wie Statintherapie oder Lebensstiländerungen vorherzusagen und ermöglicht so eine personalisierte, handlungsorientierte Prävention.
Diese quasi-experimentelle Längsschnittstudie zeigt, dass die Einführung eines ambienten KI-Scribes in der Primärversorgung zu einer graduellen, aber beständigen Anpassung führt, die über 150 Tage hinweg die Dokumentationszeit um bis zu 15 % senkt und die finanzielle Produktivität steigert.
Der TDA Engine v2.1 ist ein topologisches Rechenframework, das mithilfe von DTM-Filterung, zeitlichen Klassifikatoren und kausaler Taxonomie strukturelle Datenlücken in zensierten epidemiologischen Daten erkennt, um zwischen zufälligen Schwankungen und systematischer Unterdrückung zu unterscheiden und so gezielte Felduntersuchungen zu ermöglichen.
Diese Studie zeigt, dass die reine Architektur der Rollenverteilung in Multi-Agenten-Systemen auf feststehenden LLM-Parametern die Fehlerverteilung und den Trade-off zwischen Sensitivität und Spezifität bei klinischen Klassifizierungsaufgaben systematisch steuern kann, wobei die optimale Struktur stark vom jeweiligen Datensatz abhängt.
Diese Studie entwickelt ein systematisches Red-Teaming-Framework zur Evaluierung von Sicherheitsmechanismen medizinischer KI, das zeigt, dass aktuelle Modelle zwar robust gegen viele Angriffe sind, jedoch anfällig für Missbrauch durch Autoritätsimitation im Bildungskontext bleiben, was zu unzureichend gesicherten, aber faktisch korrekten Antworten führt.
Die Studie zeigt, dass die starke Leistung von medizinischen Large Language Models auf Anwendungsebene fundamentale Lücken im konzeptuellen Verständnis verdecken kann, da nur etwa 58 % der medizinischen Konzepte über alle drei Dimensionen (Identität, Hierarchie und Bedeutung) hinweg konsistent verstanden werden.
Diese Studie verbessert die Diagnose von Prädiabetes durch die Kombination eines iterativen, KI-gestützten Label-Bereinigungsprozesses mit einem Conv+BiLSTM-Modell auf CGM-Daten, um eine hohe Klassifizierungsgenauigkeit und klinisch nutzbare Früherkennung zu ermöglichen.
Die Studie zeigt, dass Korrekturmethoden für Klassenungleichgewichte in KI-Modellen zwar die Recall-Werte erhöhen, jedoch zu einer signifikanten Fehlkalibrierung und damit zu einer gefährlichen Überschätzung klinischer Risiken führen, weshalb Modelle mit der natürlichen Datenverteilung für medizinische Entscheidungen vorzuziehen sind.
Die Studie zeigt, dass die Anforderung von wortwörtlichen Belegen für Large Language Models in der biomedizinischen Textverarbeitung zwar eine automatische Überprüfbarkeit und höhere Zuverlässigkeit bei der Klassifizierung von Studienzulassungskriterien ermöglicht, jedoch zu einem modellabhängigen Kompromiss zwischen Abdeckung und Verifizierbarkeit führt.
Die Studie zeigt, dass der Einfluss von Gesundheitsverhalten auf die Stimmung stark individuell variiert, und stellt daher mit MoodDriver ein auf Wearable-Daten und Large Language Models basierendes System vor, um personalisierte, datengestützte Interventionen zur Verbesserung des psychischen Wohlbefindens zu ermöglichen.
Diese Studie stellt ein Framework vor, das kausale Effekt-Bäume mit Kalibrierungsanalysen kombiniert, um aus retrospektiven perioperativen Daten vertrauenswürdige und klinisch sinnvolle personalisierte Behandlungsentscheidungen zu treffen und dabei verlässliche von unzuverlässigen Heterogenitäten zu unterscheiden.
Die Studie zeigt, dass ein lokal eingesetztes 20-Milliarden-Parameter-LLM mit sensibilitätssteigernder Prompt-Strategie die Abstract-Screening-Effizienz in systematischen Übersichten erheblich steigert, wobei die Genauigkeit je nach Fachgebiet variiert und eine Kombination mit menschlichen Prüfern empfohlen wird.
Eine Umfrage unter Herausgebern von Zeitschriften für traditionelle, komplementäre und integrative Medizin zeigt, dass zwar ein hohes Potenzial für den Einsatz von KI-Chatbots in redaktionellen Prozessen erkannt wird, die tatsächliche Nutzung jedoch aufgrund fehlender Richtlinien, Schulungen und ethischer Bedenken derzeit noch gering ist.
Diese Studie nutzt die ECHILD-Datenbank, um eine nationale Kohorte von unbegleiteten asylsuchenden Kindern in England zu charakterisieren und die Verknüpfungsraten zwischen Sozialfürsorge-, Bildungs- und Gesundheitsdaten sowie deren Einflussfaktoren zu analysieren.
Das Paper stellt EmulatRx vor, ein agentic Framework, das mithilfe von Real-World-Daten und interaktiver Agenten-Kollaboration den klinischen Studienentwurf für akute und chronische Erkrankungen automatisiert optimiert und beschleunigt.
Diese Arbeit stellt ein umfassendes Framework für die datengetriebene Emotionsintensitätsklassifizierung vor, das generative KI und heuristische Transformationen nutzt, um durch stilistisch angepasste Daten-Augmentierung und Transferlernen die Leistung über verschiedene Datensätze hinweg signifikant zu verbessern.
Diese Studie stellt einen Rahmen vor, der Fitbit-Schlafdaten mithilfe des Zwei-Prozess-Modells der Schlafregulation in circadiane und homöostatische Scores übersetzt, um longitudinale Verhaltensmuster zu interpretieren und deren Zusammenhang mit Depressionen sowie anderen Gesundheitsfaktoren aufzuklären.