📄 Category

health informatics

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.

The Risk Factors, Detection and Classification of Esophageal Cancer Using Ensemble Machine Learning Models

Diese Studie entwickelt ein robustes Ensemble-Machine-Learning-Framework, das unter Verwendung von soziodemografischen, Ernährungs- und Umweltrisikofaktoren aus Äthiopien eine hochpräzise Früherkennung und Klassifizierung von Speiseröhrenkrebs ermöglicht und dabei insbesondere den Histogramm-basierten Gradient-Boosting-Algorithmus mit einer Genauigkeit von 98,3 % und null falsch-negativen Vorhersagen als überlegen gegenüber anderen Modellen identifiziert.

Gaso, M. S., Mekuria, R. R., Cankurt, S., Deybasso, H. A., Abdo, A. A., Abbas, G. H.2026-03-11📄 health informatics

Co-designing a virtual reality based mindfulness application to address diabetes distress using Artificial Intelligence-informed Experience-Based Co-Design (AI-EBCD): a feasibility study

Diese Machbarkeitsstudie beschreibt die Entwicklung eines virtuellen Realität-basierten Achtsamkeitsanwendungskonzepts zur Bewältigung von Diabetes-Notstand bei Erwachsenen mit Typ-2-Diabetes durch einen KI-gestützten, partizipativen Co-Design-Ansatz, der auf Interviews und Workshops mit Nutzern und Experten basiert.

Ghosal, S., Zhang, M., Stanmore, E., Sturt, J., Bogosian, A., Woodcock, D., Milne, N., Mubita, W., Robert, G., O'Connor, S.2026-03-11📄 health informatics

Regression vs. Medical LLMs: A Comprehensive Study for CVD and Mortality Risk Prediction

Diese Studie vergleicht klassische Regressionsmodelle mit medizinischen Large Language Models (MedLLMs) zur Vorhersage von kardiovaskulären Risiken und Sterblichkeit auf Basis der LURIC-Daten und zeigt, dass sowohl optimierte Regressionsverfahren als auch feinabgestimmte MedLLMs eine hohe Vorhersagegenauigkeit (bis zu 85 % AUROC) erreichen, wobei Kalibrierungstechniken die systematische Überprognose der LLMs signifikant reduzieren können.

KOM SANDE, S. D., Skorski, M., Theobald, M., Schneider, J., Marz, W.2026-03-11📄 health informatics

Variability in Automated Sepsis Case Detection: A Systematic Analysis of Implementation Methods in Clinical Data Repositories

Diese systematische Analyse zeigt, dass erhebliche methodische Heterogenität bei der automatisierten Sepsis-Fallerkennung in klinischen Datenbanken zu stark variierenden Erkennungsraten führt, weshalb standardisierte Berichterstattung und die Veröffentlichung von Quellcode für eine verbesserte Reproduzierbarkeit dringend empfohlen werden.

Meyer-Eschenbach, F., Schmiedler, R., Stoephasius, J. v., Zhang, C., Kronfli, L., Frey, N., Naeher, A.-F., Ehret, J., Nothacker, J., Kalle, C. v., Kohler, S., Gruenewald, E., Edel, A., Kumpf, O., Barr (…)2026-03-10📄 health informatics

Time-to-event modeling with multimodal clinical and genetic features improves risk stratification of liver complications in chronic hepatitis C

Die Studie zeigt, dass ein interpretierbares, multimodales Überlebensmodell, das klinische, genetische und sozioökonomische Daten integriert, die Risikostratifizierung für Leberzirrhose, Leberkrebs und Sterblichkeit bei chronischer Hepatitis C im Vergleich zu herkömmlichen Ansätzen signifikant verbessert.

Islam, H., Arian, A., Franses, J. W., Ahsan, H.2026-03-09📄 health informatics

Predictors of COVID-19 hospital outcomes: a machine learning analysis of the National COVID Cohort Collaborative

Diese Studie zeigt, dass zwar strukturierte elektronische Gesundheitsdaten mittels maschinellen Lernens eine moderate Vorhersage der Sterblichkeit bei hospitalisierten COVID-19-Patienten ermöglichen, sie jedoch für die Prognose der Krankenhausaufenthaltsdauer unzureichend sind und die Anwendung von SMOTE einen Zielkonflikt zwischen Diskriminierung und Kalibrierung aufdeckt.

Vazquez, J., Taylor, L., Chen, Y.-Y. K., Araya, K., Farnsworth, M. G., Xue, X., Hasan, M., N3C Consortium,2026-03-09📄 health informatics

A Novel Blended Hybrid Care Model for Maternal Mental Health: Cohort Study of Pregnant and Postpartum Patients

Diese Kohortenstudie zeigt, dass ein neuartiges hybrides Betreuungsmodell namens „Digital Clinic", das synchronen Telehealth-CBT mit der asynchronen Nutzung der mindLAMP-App kombiniert, bei schwangeren und postpartalen Frauen zu einer statistisch signifikanten Verringerung von Angst- und Depressionssymptomen führt.

Calvert, E. I., Chen, K., Moon, K., Emerson, M. R., Feldman, N., Lager, C., Torous, J.2026-03-09📄 health informatics

Population differences in wearable device wear time: Rescuing data to address biases and advance health equity

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.

Hurwitz, E., Connelly, E., Sklerov, M., Master, H., Hochheiser, H., Butzin-Dozier, Z., Dunn, J., Haendel, M. A.2026-03-06📄 health informatics