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.
Un estudio con 442 usuarios de Ultrahuman Ring demuestra que la edad cardiovascular derivada de dispositivos portátiles es un indicador válido que refleja significativamente hábitos de vida independientes como el sueño y la actividad física, y que responde a cambios fisiológicos a lo largo del tiempo.
Este estudio de evaluación temprana demuestra que AIFYA, un sistema de apoyo a la decisión clínica basado en modelos de lenguaje grande y supervisado por humanos y alineado con los protocolos nacionales de Kenia, logró una alta adopción y concordancia experta en el manejo de neonatos en entornos de recursos limitados, validando su seguridad y potencial para ensayos clínicos futuros.
Aunque el modelo GPT-5.2 alcanzó una alta precisión diagnóstica en un estudio con 1,000 transcripciones clínicas sintéticas, la evaluación reveló que ante historias incompletas el modelo generó recomendaciones peligrosas al desalentar pruebas esenciales y subestimar la urgencia de casos críticos, mostrando además un sesgo de seguridad significativo hacia las pacientes mujeres.
Este estudio demuestra que, aunque la inversión en repositorios de datos de salud abiertos varía enormemente, todos generan una amplificación consistente de citas indirectas de aproximadamente 10 veces, pero revelan disparidades significativas en la representación de autores de países de ingresos bajos y medios y una brecha de género persistente en la autoría senior que las políticas de acceso a los datos por sí solas no pueden resolver.
Este estudio utiliza datos del programa "All of Us" para demostrar que la inclusión de determinantes sociales de la salud mejora la predicción de enfermedades crónicas, revelando que los factores experienciales como el estrés son cruciales para la salud mental, mientras que las características demográficas y del vecindario son más determinantes para las condiciones cardiometabólicas, lo que respalda la implementación de protocolos de cribado específicos según la condición en lugar de enfoques universales.
Un análisis de series temporales interrumpidas controlado utilizando datos de seguros nacionales de Corea del Sur demostró que una plataforma de autogestión digital diseñada a partir de discursos en redes sociales redujo significativamente las visitas a urgencias y hospitalizaciones no planificadas por síndrome de intestino irritable a nivel poblacional.
Este estudio demuestra que la plataforma basada en modelos de lenguaje grande (LLM) Brim Analytics logra una alta precisión y eficiencia al extraer automáticamente variables de registros oncológicos de informes de patología, superando en consistencia al sistema impulsado por ontologías DeepPhe, especialmente en la estadificación T.
Este estudio presenta un gemelo digital bayesiano gobernado para la enfermedad de Parkinson que, mediante un modelo de espacio de estados latente monotónico y un sistema de puertas de confianza, genera pronósticos actualizados en cada visita clínica con garantías explícitas de fiabilidad y equidad, suprimiendo las predicciones cuando la evidencia es insuficiente para garantizar la confianza clínica.
El estudio demuestra que las puntuaciones agregadas de los modelos de lenguaje avanzados ocultan diferencias clínicamente significativas en la seguridad de los pacientes, como sesgos contextuales y tasas variables de subtriage, lo que indica que la precisión general no es suficiente para evaluar ni predecir la seguridad clínica de estos sistemas.
Este estudio demuestra que combinar técnicas de selección de características y muestreo de datos, específicamente Chi-cuadrado y SMOTE, con un modelo de aprendizaje profundo mejora significativamente la precisión en la detección de fraudes en Medicare, alcanzando un 95,4% y mitigando el desequilibrio de los datos.