📄 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

Regression vs. Medical LLMs: A Comprehensive Study for CVD and Mortality Risk Prediction

Este estudio compara modelos de regresión tradicionales con grandes modelos de lenguaje médicos (MedLLMs) utilizando datos del estudio LURIC, demostrando que tanto las técnicas de regresión avanzadas como los MedLLMs optimizados alcanzan un rendimiento competitivo (hasta un 85% de AUROC) en la predicción de mortalidad por enfermedades cardiovasculares, aunque los MedLLMs requieren calibración para corregir su tendencia a sobreestimar el riesgo.

KOM SANDE, S. D., Skorski, M., Theobald, M., Schneider, J., Marz, W.2026-03-11
📄 health informatics

Variability in Automated Sepsis Case Detection: A Systematic Analysis of Implementation Methods in Clinical Data Repositories

Este estudio demuestra que la heterogeneidad en los métodos de implementación para la detección automatizada de sepsis en las bases de datos MIMIC-III y eICU-CRD genera tasas de detección altamente variables, lo que subraya la necesidad urgente de estandarizar los informes metodológicos y publicar código fuente controlado para mejorar la reproducibilidad en la investigación sobre sepsis.

Meyer-Eschenbach, F., Schmiedler, R., Stoephasius, J. v., Zhang, C., Kronfli, L., Frey, N., Naeher, A.-F., Ehret, J., No (…)2026-03-10
📄 health informatics

Time-to-event modeling with multimodal clinical and genetic features improves risk stratification of liver complications in chronic hepatitis C

Utilizando datos del programa All of Us, los autores desarrollaron un marco de supervivencia multimodal interpretable que integra características clínicas y genéticas para mejorar significativamente la estratificación del riesgo de cirrosis, carcinoma hepatocelular y mortalidad en pacientes con hepatitis C crónica, superando las limitaciones de la clasificación basada únicamente en la fibrosis.

Islam, H., Arian, A., Franses, J. W., Ahsan, H.2026-03-09
📄 health informatics

Predictors of COVID-19 hospital outcomes: a machine learning analysis of the National COVID Cohort Collaborative

Este estudio utiliza aprendizaje automático en datos del N3C para demostrar que, aunque las características estructuradas de las historias clínicas electrónicas ofrecen una utilidad moderada para predecir la mortalidad hospitalaria por COVID-19, son insuficientes para predecir la duración de la estancia y que el uso de SMOTE presenta una compensación crítica entre la discriminación y la calibración que debe considerarse en la planificación clínica.

Vazquez, J., Taylor, L., Chen, Y.-Y. K., Araya, K., Farnsworth, M. G., Xue, X., Hasan, M., N3C Consortium,2026-03-09
📄 health informatics

A Novel Blended Hybrid Care Model for Maternal Mental Health: Cohort Study of Pregnant and Postpartum Patients

Este estudio de cohorte piloto demuestra que un modelo de atención híbrido novedoso, que combina terapia cognitivo-conductual virtual con la aplicación móvil mindLAMP, reduce significativamente la ansiedad y la depresión en mujeres embarazadas y posparto, ofreciendo una solución prometedora para abordar la brecha en el tratamiento de la salud mental materna.

Calvert, E. I., Chen, K., Moon, K., Emerson, M. R., Feldman, N., Lager, C., Torous, J.2026-03-09
📄 health informatics

Population differences in wearable device wear time: Rescuing data to address biases and advance health equity

Utilizando datos de 11,901 participantes del programa All of Us, este estudio identifica disparidades demográficas y de salud en el tiempo de uso de dispositivos wearables, demuestra que los umbrales de cumplimiento actuales excluyen desproporcionadamente a poblaciones enfermas y propone un marco metodológico flexible para mitigar estos sesgos y promover la equidad en la investigación de salud digital.

Hurwitz, E., Connelly, E., Sklerov, M., Master, H., Hochheiser, H., Butzin-Dozier, Z., Dunn, J., Haendel, M. A.2026-03-06
📄 health informatics

Predicting cardiovascular risk under intervention: Development and internal validation of the CHARIOT Model in 19 million adults

El modelo CHARIOT, desarrollado y validado internamente en 19 millones de adultos del Reino Unido, combina análisis de supervivencia e inferencia causal para predecir cómo intervenciones específicas (como estatinas, control de la presión arterial o dejar de fumar) reducen el riesgo cardiovascular a 10 años, ofreciendo una herramienta interactiva para una prevención personalizada y basada en la evidencia.

Pate, A., Jiang, B., Huang, Y.-T., Griffiths, S., Stables, D., Peek, N., McMillan, B., Sperrin, M.2026-03-05
📄 health informatics

TDA Engine v2.1: A Computational Framework for Detecting Structural Voids in Spatially Censored Epidemiological Data with Temporal Classification and Causal Inference

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.

Mboya, G. O.2026-03-05
📄 health informatics

Agent Role Structure and Operating Characteristics in Large Language Model Clinical Classification: A Comparative Study of Specialist and Deliberative Multi-Agent Protocols

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.

Anderson, C. G.2026-03-05