📄 Category

health informatics

239 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.

📄 health informatics

AERO: An AI Agent for Adaptive Eligibility Refinement and Optimization of Clinical Trial Criteria in Real-World Trial Emulation

El artículo presenta AERO, un marco de agentes de IA que optimiza los criterios de elegibilidad para ensayos clínicos para la emulación de datos del mundo real aprovechando modelos de lenguaje grandes para clasificar y refinar sistemáticamente los criterios, mejorando así la generalizabilidad y la precisión de las estimaciones del efecto del tratamiento, tal como se demostró en una emulación del ensayo WARCEF.

Li, X., James, J., Pellikka, P. A., Zong, N.2026-05-01
📄 health informatics

Integrating Group and Individual Fairness Auditing in Clinical AI: A Post-Hoc, Model-Agnostic Approach

Este artículo presenta EquiLense, una herramienta de auditoría práctica, posterior al entrenamiento y agnóstica al modelo que cierra la brecha entre las evaluaciones de equidad grupal e individual en la IA clínica mediante el uso de una nueva métrica llamada Diferencia Media de Probabilidad Predicha (MPPD) para identificar inconsistencias sistemáticas en las predicciones entre grupos demográficos.

Xu, J., Hwang, Y. M., Kondareddy, S., Dormoy, I., Jing, S. L., Pillai, M., Curtin, C. M., Hernandez-Boussard, T.2026-04-30
📄 health informatics

MedAdhereAI: An Interpretable Machine Learning Pipeline for Predicting Medication Non-Adherence in Chronic Disease Patients Using Real-World Refill Data

MedAdhereAI es un flujo de trabajo de aprendizaje automático interpretable que utiliza datos de recetas médicas para predecir el incumplimiento terapéutico en pacientes con enfermedades crónicas, facilitando intervenciones clínicas dirigidas mediante el uso de modelos predictivos y explicabilidad con SHAP.

Yadav, S., Rajbhandari, S.2026-04-28
📄 health informatics

MIMIC-IV-Phenotype-Atlas (MIPA) : A Publicly Available Dataset for EHR Phenotyping

Este artículo presenta MIPA, el primer conjunto de datos público y estandarizado para la fenotipificación de registros electrónicos de salud, que ofrece anotaciones expertas en 16 fenotipos y demuestra mediante un estudio comparativo que los modelos de lenguaje grandes (LLM) superan a los métodos basados en reglas y aprendizaje automático tradicionales.

Yamga, E., Goudrar, R., Despres, P.2026-04-24
📄 health informatics

Stakeholder perspectives on the use of enhanced mobile phone capabilities for public health surveillance for non-communicable disease risk factors: A qualitative study

Este estudio cualitativo en Uganda concluye que, aunque las herramientas basadas en teléfonos móviles pueden mejorar la vigilancia de los factores de riesgo de enfermedades no transmisibles en entornos de bajos recursos, su implementación responsable requiere abordar desafíos éticos, legales y sociales clave relacionados con la privacidad, la equidad y la confianza.

Mwaka, E. S., Nabukenya, S., Kasiita, V., Bagenda, G., Rutebemberwa, E., Ali, J., Gibson, D.2026-04-23
📄 health informatics

A Bibliometric Review of Explainable AI in Diabetes Risk Prediction: Trends, Gaps, and Knowledge Graph Opportunities

Este estudio bibliométrico de 1.933 documentos revela un crecimiento exponencial en la aplicación de la IA explicable para la predicción de riesgo de diabetes tipo 2, pero identifica una brecha crítica en la integración de conocimientos médicos estructurados mediante grafos de conocimiento, proponiendo un nuevo marco conceptual para superar la desconexión entre las explicaciones estadísticas y los razonamientos clínicos.

Van, T. A.2026-04-21
📄 health informatics

Decision Curve Analysis for Evaluating Machine Learning Models for Next-Day Transfer Out of ICU

Este estudio demuestra que el análisis de curvas de decisión (DCA) es una herramienta fundamental para evaluar modelos de aprendizaje automático que predicen el traslado de pacientes fuera de la UCI, permitiendo seleccionar umbrales de operación que optimicen el beneficio clínico dentro de las restricciones del flujo de trabajo real.

Pozo, M., Pape, A., Locke, B., Pettine, W. W.2026-04-21
📄 health informatics

Leveraging Predictive AI and LLM-Powered Trial Matching to Improve Clinical Trial Recruitment: A Usability Assessment of Trialshub

El estudio evalúa la usabilidad de Trialshub, una plataforma impulsada por IA para la búsqueda de ensayos clínicos, concluyendo que, aunque su diseño conversacional es intuitivo y prometedora para mejorar el reclutamiento, requiere mejoras en la fiabilidad del sistema y la claridad de la interfaz para su implementación real.

Blankson, P.-K., Hussien, S., Idris, F., Trevillion, G., Aslam, A., Afani, A., Dunlap, P., Chepkorir, J., Melgarejo, P. (…)2026-04-20
📄 health informatics

Attitudes and Perceptions of Generative Artificial Intelligence Chatbots in the Scientific Process of Traditional, Complementary, and Integrative Medicine Research: A Large-Scale, International Cross-Sectional Survey

Esta encuesta internacional a gran escala revela que, aunque la mayoría de los investigadores en medicina tradicional, complementaria e integrativa reconocen el potencial de las chatbots de IA generativa para reducir la carga de trabajo y mejorar la eficiencia, existe una necesidad crítica de capacitación institucional para abordar desafíos como los sesgos y los errores.

Ng, J. Y., Tan, J., Syed, N., Adapa, K., Gupta, P. K., Li, S., Mehta, D., Ring, M., Shridhar, M., Souza, J. P., Yoshino (…)2026-04-15