193 artículos
Este artículo presenta el corpus SREDH-AICup, un conjunto de datos de voz clínica alineado temporalmente y anotado con información sensible de salud en inglés y mandarín, diseñado para abordar la escasez de recursos públicos y facilitar la investigación en desidentificación de voz médica multilingüe.
Este estudio presenta un flujo de trabajo reproducible en Python que simula e integra datos clínicos, de biomarcadores y farmacocinéticos de un ensayo oncológico temprano para generar conjuntos de datos analíticos, visualizaciones y modelos predictivos que apoyan la toma de decisiones exploratoria.
Este estudio desarrolló y evaluó temporalmente modelos de aprendizaje automático multimodales que integran datos estructurados y notas clínicas para predecir con alta precisión la exposición a opioides en pacientes hospitalizados, lo que podría mejorar la administración de estos fármacos mediante la identificación temprana de pacientes de alto riesgo.
Este artículo presenta el Time-Aware G-Transformer, un modelo que combina la computación G causal con mecanismos de atención sensibles al tiempo para predecir con mayor precisión los efectos de tratamientos en datos clínicos irregulares y heterogéneos, superando las limitaciones de los métodos existentes que asumen muestreos regulares.
Este estudio de métodos mixtos en África Occidental revela que los clínicos y expertos técnicos priorizan marcos de gobernanza independientes, transparencia algorítmica y mecanismos de monitoreo post-implementación para garantizar la integración segura y equitativa de la inteligencia artificial en la práctica clínica.
Este estudio demuestra que es posible clasificar las cuatro fases del ciclo menstrual con una precisión del 67,6% utilizando únicamente síntomas autoinformados mediante un marco de modelado híbrido, lo que valida el uso de la dinámica de síntomas como un biomarcador digital escalable y sin dispositivos para la monitorización de la salud reproductiva.
Este estudio piloto prospectivo evaluó al asistente clínico de IA agéntica DR. INFO en instituciones sanitarias portuguesas, demostrando que los médicos reportaron un ahorro significativo de tiempo, un apoyo sólido en la toma de decisiones y una alta satisfacción sin detractores.
El artículo presenta MedScope, un marco de referencia ligero que evalúa sistemáticamente el rendimiento, la eficiencia y la robustez de modelos de lenguaje abiertos en preguntas médicas de opción múltiple, revelando que, aunque útiles como bases transparentes, sus capacidades actuales aún son insuficientes para su despliegue autónomo en escenarios clínicos de alto riesgo.
Este estudio revela un desequilibrio sectorial en la gobernanza del intercambio de datos de ensayos clínicos en la Unión Europea, donde los patrocinadores privados ofrecen políticas y acuerdos más detallados y accesibles que los públicos, quienes suelen limitarse a compromisos de alto nivel sin orientación específica por ensayo.
Este estudio presenta y evalúa un pipeline de reconocimiento de entidades 4M que combina un clasificador de tokens fine-tuned (Bio-ClinicalBERT) con la revisión de modelos de lenguaje grandes (LLM) desplegados localmente para extraer con precisión información clínica de mensajes de texto en residencias de ancianos, superando a enfoques anteriores en rendimiento y eficiencia.
Este estudio demuestra que los modelos de lenguaje pequeños (SLM) ofrecen una solución eficiente y privada para extraer biomarcadores longitudinales, como la creatinina sérica, de notas clínicas no estructuradas en francés de pacientes con enfermedades renales raras, superando a los enfoques basados en reglas y facilitando la investigación en contextos de escasez de datos.
MedResearchBench es el primer benchmark diseñado específicamente para evaluar la capacidad de los agentes de IA para realizar investigación clínica médica de calidad publicable, abordando desafíos únicos como el diseño de encuestas, el control de variables de confusión y el cumplimiento de estándares de reporte mediante 16 tareas en siete dominios clínicos basadas en datos públicos y artículos de referencia.
Este artículo presenta el desarrollo y validación de BSOAD, la primera ontología diseñada para representar sistemáticamente y armonizar los factores conductuales y sociales relacionados con la enfermedad de Alzheimer y demencias relacionadas, integrando fuentes heterogéneas mediante principios de interoperabilidad semántica y evaluaciones asistidas por modelos de lenguaje.
El artículo presenta la validación y el despliegue de la pipeline VaaS (Validación como Sistema), un enfoque multi-capa que reduce drásticamente las alucinaciones de citas en la síntesis biomédica asistida por IA, logrando tasas de error cercanas a cero y costos de producción inferiores a 1 dólar por revisión de gen.
Este artículo presenta ClinicalTAAT, un transformador consciente del tiempo que supera las limitaciones de las técnicas actuales de minería de procesos al generar representaciones interpretables de secuencias clínicas irregulares para evaluar y optimizar la atención sanitaria mediante la identificación de subgrupos de pacientes y la detección de anomalías.
El proyecto SwissPedGrowth demuestra la viabilidad de extraer datos antropométricos de alta calidad de los registros electrónicos de salud en hospitales pediátricos suizos para la investigación, aunque persisten desafíos relacionados con la completitud y la armonización de estos datos entre diferentes centros.
Este estudio introduce un marco de diagnóstico y una estructura de andamiaje (SIPS) que revelan una "disociación acceso-estabilidad" en la razonamiento secuencial de modelos de IA médica, demostrando que, aunque la estructura mejora la retención de hipótesis correctas, expone paradojas arquitectónicas específicas de cada modelo y transforma la evaluación de la IA de una métrica de precisión binaria a un instrumento de auditoría de patologías del razonamiento.
El estudio presenta MOE-ECG, un marco de fusión de conjuntos multiobjetivo que optimiza simultáneamente el rendimiento predictivo y la diversidad de modelos para lograr una detección robusta y precisa de la fibrilación auricular en registros de electrocardiograma.
Este estudio demuestra que un flujo de trabajo de preselección asistido por un modelo de lenguaje grande (LLM) con supervisión humana logró un alto rendimiento y bajo costo al evaluar la elegibilidad de pacientes en múltiples ensayos clínicos diversos, mejorando la eficiencia mediante un sistema de aprendizaje automático basado en la retroalimentación de los coordinadores.
El artículo presenta HealthFormer, un modelo Transformer de doble nivel que aprende representaciones de pacientes a partir de registros electrónicos de salud longitudinales e irregulares mediante el uso de codificaciones temporales y preentrenamiento auto-supervisado, logrando un alto rendimiento en la predicción de incidentes de cáncer mediante ajuste fino estándar.