193 Arbeiten
Diese qualitative Studie zeigt, dass das Vertrauen in KI im Gesundheitswesen nicht allein von der technischen Leistung, sondern maßgeblich von Governance-Praktiken abhängt, bei denen Cybersecurity-Experten durch sichtbare Rechenschaftspflicht und menschliche Aufsicht eine zentrale Rolle für die institutionelle Glaubwürdigkeit spielen.
Die Studie zeigt, dass große Sprachmodelle bei der Diagnose von Atemwegserkrankungen in Ländern mit niedrigem und mittlerem Einkommen aufgrund einer Verzerrung zugunsten der Epidemiologie hochentwickelter Länder weniger relevante Vorschläge machen als lokale Ärzte, selbst wenn der Standort explizit angegeben wird.
Die Studie stellt GEN-KnowRD vor, ein Framework, das Large Language Models nutzt, um eine skalierbare Wissensbasis für seltene Krankheiten zu erstellen und dadurch die diagnostische Genauigkeit und Früherkennung signifikant verbessert, indem es die Wissensgenerierung von der patientenbezogenen Inferenz entkoppelt.
Die Studie zeigt, dass maschinelle Lernalgorithmen, die kontextuelle Merkmale aus elektronischen Gesundheitsakten nutzen, effektiv unangemessene klinische Variationen bei der Behandlung von Kindern mit akuter viraler Pharyngitis erkennen können, ohne dass eine zentrale Datenaggregation erforderlich ist.
Die Studie stellt ein Framework vor, das mithilfe von Radiologie-Daten aus elektronischen Patientenakten klinisch kohärente Behandlungsverläufe rekonstruiert und individuelle progressionsfreie Überlebenszeiten für die Risikostratifizierung von Patientinnen mit metastasiertem Brustkrebs über mehrere Therapielinien hinweg präzise prognostiziert.
Das Paper stellt PhenoSS vor, ein statistisch fundiertes Framework auf Basis von Gaußschen Copulas, das die hierarchische Struktur und Abhängigkeiten von HPO-Terminologien nutzt, um die Vorhersage seltener Krankheiten und die Patientengruppierung zu verbessern, während es gleichzeitig Batch-Effekte korrigiert.
Die Studie stellt RareDAI vor, einen interpretierbaren Ansatz, der durch Feinabstimmung von Large Language Models mit Chain-of-Thought-Verfahren und Selbst-Distillation klinische Leitlinien zur Entscheidungsfindung bei der Auswahl genetischer Tests für seltene Erkrankungen erfolgreich nachahmt und dabei traditionelle Modelle deutlich übertrifft.
Die Studie stellt ein Deep-Image-Prior-Framework namens DIP-Fusion vor, das anatomische Protonen-MRT-Daten und biochemische Natrium-MRT-Daten mittels einer fusionierten Richtungs-Total-Variations-Regularisierung kombiniert, um Rauschen in Natrium-MRT-Bildern effektiv zu reduzieren und so die Bildqualität sowie die klinische Machbarkeit bei beschleunigten Aufnahmen zu verbessern.
Die Studie zeigt, dass aktuelle Large Language Models zwar wissenschaftlich präzise und zuverlässig Impfmisinformationen entkräften können, jedoch durch komplexe Sprache und framingabhängige Stilunterschiede die allgemeine Verständlichkeit für Laien einschränken, was eine sorgfältige Integration und Optimierung für den öffentlichen Gesundheitsbereich erfordert.
Die Studie zeigt, dass große Sprachmodelle durch gezieltes Prompt-Engineering zwar effektiv zur Kategorisierung von klinischen Änderungen an KI-generierten Notizen genutzt werden können, jedoch bei komplexen, kontextabhängigen Fällen eher als Triage-Tool für die menschliche Überprüfung geeignet sind.
Die Studie zeigt, dass die Einführung eines KI-gestützten Tools zur Generierung von Antworten auf Patientennachrichten in einem niederländischen akademischen Krankenhaus trotz hoher Anfangserwartungen zu einer sinkenden Akzeptanz und Nutzung führte, da der wahrgenommene Nutzen für Zeitersparnis und klinische Effizienz begrenzt war und praktische sowie qualitative Hürden bestehen blieben.
Die Autoren stellen ein klinisch-theoriebasiertes Deep-Learning-Modell vor, das durch die explizite Operationalisierung von sozialen und motorischen Konstrukten sowie eine strukturierte Cross-Modal-Attention-Mechanik eine interpretierbare und präzise Vorhersage des Schweregrads von Autismus-Spektrum-Störungen ermöglicht.
Der vorliegende Review zeigt, dass sich das KI-Forschungsfeld im Gesundheitswesen 2025 durch eine Verdopplung der Publikationen und einen deutlichen Wandel von klassischen Machine-Learning-Ansätzen hin zu leistungsfähigen multimodalen Foundation-Modellen in Richtung realer klinischer Anwendungen weiterentwickelt hat.
Diese Studie zeigt, dass die Anwendung automatisierter Feature-Engineering-Verfahren wie Deep Feature Synthesis auf longitudinale elektronische Gesundheitsdaten die Vorhersagegenauigkeit und klinische Anwendbarkeit von Modellen zur Vorhersage von Herzinsuffizienz-Wiederaufnahmen signifikant verbessert, wobei diese Vorteile jedoch stark von der Wahl des verwendeten Modelltyps abhängen.
Eine Kohortenstudie zeigt, dass die Art der redaktionellen Reaktion auf Integritätsbedenken (wie Richtigstellung, Ausdruck der Besorgnis oder Widerruf) keinen signifikanten Einfluss auf den Abfall der Zitationsrate hat und dieser Abfall nicht stärker ausfällt als bei unbeanstandeten Kontrollstudien.
Die Studie stellt ein datengesteuertes, governance-basiertes Rahmenwerk vor, das durch die Integration longitudinaler Patientenflussmodelle und realer Versorgungsdaten die Genauigkeit von Inanspruchnahme-Prognosen in der Onkologie und bei komplexen chronischen Erkrankungen im Vergleich zu statischen Marktanteilsschätzungen signifikant verbessert.
Die Studie stellt SO_SCPLOWTRATC_SCPLOWCP vor, ein stratifiziertes konformes Framework, das medizinische Basismodelle durch fehlerkontrollierte Selektion und kalibrierte Zurückweisung in sichere Entscheidungsrichtlinien verwandelt, um die Fehrentdeckungsrate zu begrenzen und gleichzeitig eine verlässliche Abdeckung für zurückgestellte Patienten zu gewährleisten.
Die Studie zeigt, dass weder die Modellgröße noch medizinisches Fine-Tuning allein eine zuverlässige klinische Robustheit lokaler Sprachmodelle garantieren, da die Leistung stark von der terminologischen Komplexität und dem Fachbereich abhängt und daher eine anwendungsspezifische Validierung erforderlich ist.
Die Studie zeigt, dass der Schlafregelmäßigkeits-Fragebogen (SRQ) bei gesunden Erwachsenen nur eine schwache Übereinstimmung mit objektiven, durch Wearables ermittelten Schlafregelmäßigkeitsindizes aufweist, jedoch eine moderate Korrelation zu subjektiven Schlafdiary-Daten und der wahrgenommenen Schlafqualität besteht, wodurch er objektive Messungen eher ergänzt als ersetzt.
Diese randomisierte kontrollierte Studie zeigt, dass Large Language Models (LLMs) radiologische Befunde effektiv in eine für Patienten verständliche Sprache übersetzen und so das Leseverständnis signifikant verbessern, ohne dabei die medizinische Genauigkeit zu gefährden.