159 artículos
La informática de la salud une la tecnología de la información con la práctica médica para mejorar cómo gestionamos y analizamos los datos de pacientes. En este campo, los expertos diseñan sistemas que facilitan el acceso a historiales clínicos, optimizan la toma de decisiones y aceleran la investigación, todo con el objetivo final de brindar una atención más segura y personalizada.
En Gist.Science, nos enfocamos en el contenido fresco que llega desde medRxiv, la principal plataforma de prepublicaciones para ciencias médicas. Procesamos cada nuevo preprint en esta categoría para ofrecerte resúmenes técnicos detallados junto con explicaciones en lenguaje sencillo, asegurando que los hallazgos más recientes sean comprensibles para todos. A continuación, encontrarás los últimos artículos publicados en este ámbito.
Este estudio demuestra que es viable utilizar modelos de lenguaje grande con pocos ejemplos para categorizar las ediciones clínicas en notas generadas por IA ambiental, logrando un buen rendimiento en categorías como medicamentos y síntomas, aunque las categorías más complejas requieren supervisión humana.
El informe de 2025 revela una maduración significativa en la investigación de IA en salud, caracterizada por un casi duplicado en el volumen de publicaciones y una transición desde modelos de aprendizaje automático clásicos y LLMs basados en texto hacia modelos fundacionales multimodales que mejor reflejan la complejidad de la práctica clínica real.
Este estudio de cohorte concluye que el tipo de respuesta editorial (noticia, expresión de preocupación o retractación) ante preocupaciones de integridad en ensayos controlados aleatorizados no influye en la tasa de declive de sus citas posteriores, la cual no difiere significativamente de la disminución natural observada en estudios de control.
Este estudio propone un marco de informática sanitaria impulsado por la gobernanza y calibrado con datos del mundo real que, al modelar el flujo longitudinal de pacientes y la adopción de proveedores, genera pronósticos de utilización en oncología significativamente más precisos que los enfoques estáticos tradicionales.
Este estudio demuestra que, aunque la robustez representacional de los modelos de lenguaje locales sigue una ley de escalado logarítmico, ni el tamaño del modelo ni el ajuste fino médico garantizan la fiabilidad clínica, ya que el rendimiento varía significativamente según la complejidad terminológica y el subdominio, lo que exige validaciones específicas para cada caso de uso seguro.
Este estudio demuestra que un enfoque de agentes múltiples orquestado mediante la teoría de juegos de Nash mejora la seguridad y la eficiencia en la generación de planes de atención para pacientes de Medicaid, aunque no logra mejorar automáticamente la equidad, lo que subraya la necesidad de un diseño explícito para abordar las disparidades sociales.
El estudio AutoscriberValidate demostró que el uso del scribe digital ambiental Autoscriber redujo significativamente la carga laboral de los proveedores de salud y mejoró la calidad de las notas médicas al disminuir la mayoría de los errores.
Un estudio transversal con 500 pacientes en Jordania revela que, aunque existe optimismo condicional sobre la utilidad de la inteligencia artificial en la salud, su aceptación depende de la preferencia por un modelo colaborativo con médicos, la transparencia y la protección de la privacidad, siendo la disposición a adoptarla mayor en personas con mejores habilidades digitales y mayor nivel educativo.
Este estudio presenta un modelo híbrido SARIMA-CNNAR que, al combinar el modelado de tendencias estacionales lineales con la detección de patrones no lineales, logra predecir con mayor precisión la incidencia mensual de tuberculosis en Nepal que otros enfoques existentes, ofreciendo una herramienta valiosa para la planificación de recursos de salud pública.
MedOS es un modelo de mundo corporizado de propósito general que, mediante una arquitectura de doble sistema, integra el razonamiento clínico con la intervención física para democratizar la experiencia médica y cerrar la brecha de rendimiento entre médicos junior y senior.