199 artículos
Este estudio valida que el flujo de trabajo basado en modelos de lenguaje grande llamado otto-SR automatiza con alto rendimiento las tareas más laboriosas de las revisiones sistemáticas (cribado, extracción de datos y evaluación del riesgo de sesgo), permitiendo reproducir y actualizar rápidamente la evidencia existente con mayor precisión y eficiencia que los investigadores humanos.
Este estudio analiza publicaciones de Reddit para revelar que, aunque los entornos naturales pueden ayudar a reducir la ansiedad social en jóvenes al mejorar su estado de ánimo, también pueden generar malestar debido al miedo al juicio social, lo que sugiere la necesidad de diseñar intervenciones a medida que complementen los tratamientos tradicionales.
Este estudio exploratorio utiliza seguimiento ocular y protocolos de pensamiento en voz alta para revelar que los proveedores de atención primaria dedican una atención visual significativa a los registros electrónicos de salud durante las entrevistas de detección del suicidio, lo que a menudo retrasa la discusión clínica hasta que se verifican los resultados.
Este estudio demuestra que integrar el conocimiento de expertos clínicos con algoritmos de aprendizaje de estructura causal permite desarrollar modelos predictivos parsimoniosos y transparentes para la disfunción cerebral aguda adquirida en la unidad de cuidados intensivos pediátricos, logrando un rendimiento comparable al de modelos más complejos utilizando un conjunto reducido de biomarcadores.
El artículo presenta ED-Triage-Agent, un marco de inteligencia artificial multiagente diseñado para colaborar con los clínicos en la clasificación de triaje en urgencias mediante la automatización de la recogida de historiales y la generación de evaluaciones de gravedad explicables, preservando así la autonomía humana en entornos críticos.
El documento presenta el Lilo Engine, un pipeline terapéutico de IA determinista de cinco capas diseñado para residencias de ancianos que garantiza una detección de crisis del 100% y una latencia de 28,7 ms mediante invariantes estructurales estrictas, superando las limitaciones de seguridad de los orquestadores multiagente anteriores.
Un estudio con datos de más de 19 millones de pacientes en EE. UU. revela que el Síndrome de Ehlers-Danlos hiperlaxo (hEDS) es más prevalente de lo que se creía y que los afectados tienen un riesgo significativamente mayor de desarrollar Long COVID, especialmente si presentan comorbilidades como disautonomía o fatiga crónica, lo que sugiere que la infección viral puede desencadenar o revelar síntomas previamente no diagnosticados.
Este estudio demuestra que el uso colaborativo de modelos de lenguaje grandes (LLMs) mejora significativamente la precisión y el ahorro de esfuerzo en la selección de artículos para revisiones sistemáticas en comparación con el uso de modelos individuales.
Este estudio demuestra que, al comparar la codificación de resúmenes de subvenciones del NIH sobre tratamientos para la adicción a opioides, el modelo de lenguaje ChatGPT-4.0 generó descripciones de innovaciones con mayor profundidad y relevancia que los codificadores humanos, lo que sugiere que los modelos de lenguaje grandes pueden mejorar la eficiencia y calidad de la evaluación de investigación cualitativa.
Este estudio presenta Sino-US-DrugQA, un nuevo conjunto de datos bilingüe de preguntas y respuestas que evalúa el rendimiento de modelos de lenguaje grandes en la comparación regulatoria farmacéutica entre China y EE. UU., revelando que, aunque son útiles para consultas monolingües, aún presentan limitaciones significativas en el razonamiento comparativo transjurisdiccional.
Este estudio comparativo en el ensayo ASPREE concluye que, para predecir la longevidad sin discapacidad, los modelos de Bosques Aleatorios (RF) y Bosques Aleatorios de Supervivencia (RSF) muestran un rendimiento de discriminación y calibración comparable, lo que sugiere que la incorporación explícita del tiempo en el RSF no siempre mejora la precisión de las predicciones frente al RF.
Este estudio valida que un marco de análisis de biomarcadores basado en prompts estandarizados logra una precisión clínica en cinco modelos de lenguaje grandes de cuatro proveedores distintos, demostrando su generalización independiente del proveedor en más de 4.000 pacientes.
Este estudio propone y evalúa un modelo híbrido que integra un modelo de lenguaje grande (LLM) con programación lineal entera mixta (MILP) para generar planes de alimentación personalizados que combinan la precisión cuantitativa nutricional con la adaptabilidad cualitativa, superando así las limitaciones de los enfoques aislados.
Este estudio presenta una nueva metodología computacional que combina la similitud fenotípica con la propagación en redes para mejorar la precisión y la coherencia clínica en el diagnóstico de enfermedades raras, superando los métodos existentes al integrar la jerarquía de la nomenclatura de Orphanet.
Este estudio de caso controlado demuestra que la implementación de sistemas de documentación clínica con inteligencia ambiental altera significativamente la estructura lingüística y la complejidad de las notas médicas, especialmente en la historia de la enfermedad actual, generando narrativas más estandarizadas y coherentes que varían según el proveedor y la sección de la nota.
Este estudio presenta una "Gráfica del Sueño" basada en 23 relojes biológicos que revela una relación en forma de U entre la duración del sueño y el envejecimiento biológico, identificando un rango óptimo de 6,4 a 7,8 horas que minimiza el riesgo de enfermedades y mortalidad, y sugiere que la optimización del sueño es clave para un envejecimiento saludable.
Este estudio demuestra que, contrariamente a la creencia generalizada, la recuperación de información aumenta las alucinaciones en sistemas de IA clínica, mientras que el uso de representaciones estructuradas de datos del paciente con trazabilidad explícita reduce significativamente los errores fácticos y mejora la seguridad.
Los investigadores desarrollaron un marco de aprendizaje profundo basado en modelos de visión fundacional que, al analizar imágenes de fondo de ojo, no solo predice la edad biológica retinal con alta precisión, sino que también descompone las señales de envejecimiento en componentes normativos y patológicos, revelando así firmas de envejecimiento retinal heterogéneas asociadas a la inflamación sistémica y variaciones hemodinámicas.
Los autores desarrollaron y validaron un algoritmo escalable basado en registros de auditoría de historias clínicas electrónicas que identifica con un 91% de precisión al clínico de primera línea responsable de cada día de hospitalización, superando a los métodos manuales y permitiendo analizar patrones de continuidad asistencial.