191 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.
El TDA Engine v2.1 es un marco computacional basado en topología que detecta y clasifica vacíos estructurales en datos epidemiológicos censurados mediante análisis geométrico, inferencia causal y validación temporal, permitiendo distinguir entre ausencias naturales de datos y posibles supresiones sistemáticas.
Este estudio demuestra que la descomposición interna de roles en sistemas multiagente de modelos de lenguaje grandes actúa como un sesgo inductivo estructurado que altera materialmente las distribuciones de error y los compromisos entre sensibilidad y especificidad en tareas de clasificación clínica, sin necesidad de modificar los parámetros del modelo.
Este estudio presenta una evaluación adversaria sistemática de los modelos de lenguaje grandes en contextos médicos, revelando que, aunque sus guardas de seguridad son robustas frente a la mayoría de los ataques, son vulnerables a la suplantación de autoridad (especialmente en contextos educativos), lo que provoca un cambio de comportamiento donde el modelo ofrece respuestas clínicamente precisas pero con enmarcado de seguridad insuficiente.
Este estudio presenta un marco híbrido que combina limpieza iterativa de etiquetas basada en XGBoost y un modelo de aprendizaje profundo Conv+BiLSTM para mejorar la precisión del diagnóstico de prediabetes utilizando datos de monitoreo continuo de glucosa del conjunto AI-READI, logrando una alta discriminación clínica y reduciendo la carga de pruebas diagnósticas.
Este estudio presenta un marco de despliegue para la medicina personalizada en el ámbito perioperatorio que combina árboles de efectos causales y análisis de calibración para distinguir entre heterogeneidad clínicamente accionable y variación no fiable, permitiendo la selección segura de tratamientos solo cuando los beneficios estimados son robustos y significativos.
Este estudio demuestra que un modelo de lenguaje grande de 20 mil millones de parámetros desplegado localmente, combinado con una estrategia de prompting optimizada para la sensibilidad, puede acelerar significativamente la cribado de resúmenes en revisiones sistemáticas manteniendo una alta precisión, aunque su rendimiento varía según la objetividad de los criterios de inclusión.
Una encuesta transversal a editores de revistas de medicina tradicional, complementaria e integrativa revela que, aunque reconocen el potencial de la inteligencia artificial para tareas editoriales rutinarias, su adopción actual es limitada debido a la falta de políticas específicas, formación y barreras éticas.
Este estudio cualitativo revela que la credibilidad y la confianza en la inteligencia artificial sanitaria dependen de prácticas de gobernanza que demuestren responsabilidad, tal como lo perciben los profesionales de ciberseguridad que gestionan estas infraestructuras digitales.
Este estudio presenta un marco de prior de imagen profunda (DIP-Fusion) que integra información anatómica de resonancia magnética de protones y metabólica de sodio mediante regularización de variación total direccional, logrando una reconstrucción de imágenes de resonancia magnética de sodio de alta calidad y con mayor fidelidad estructural que las técnicas existentes, incluso en adquisiciones aceleradas.
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.