193 artículos
Este estudio retrospectivo demuestra que, aunque el análisis de sentimientos en notas clínicas presenta una correlación débil con la duración de la estancia hospitalaria, la estimación directa de dicha duración mediante modelos de lenguaje grande (LLM) supera a los enfoques basados en sentimientos, sugiriendo la necesidad de integrar estos modelos eficientes con datos estructurados para mejorar la predicción.
Esta investigación propone un marco de detección de anomalías y garantía de funcionamiento reproducible e interpretable para sistemas de llamada de enfermería impulsados por IA, utilizando un modelo Isolation Forest ligero y visualización interactiva para asegurar la fiabilidad en entornos médicos críticos sin depender de datos propietarios complejos.
Este estudio de falsificación pre-registrado demuestra que, en un centro médico académico de élite, los modelos de predicción de sepsis captan señales biológicas genuinas en lugar de depender de la intensidad de los cuidados, revelando sin embargo una divergencia sistemática y significativa entre las definiciones clínicas y administrativas de sepsis que cuestiona la validez de las métricas regulatorias y los benchmarks basados en datos administrativos.
Este estudio compara el rendimiento de once filtros en Ovid Embase para eliminar registros de animales y no humanos, concluyendo que su eficacia varía significativamente según el método y que la elección debe basarse en la discusión sobre si los estudios relevantes podrían incluir sujetos no humanos.
Este estudio demuestra que un enfoque de clasificación basado en comparaciones pareadas y el modelo Bradley-Terry, potenciado por un modelo de lenguaje grande (LLM), supera al índice de gravedad de urgencias (ESI) y mantiene una estabilidad superior entre diferentes centros médicos en comparación con los modelos supervisados, al no requerir datos de entrenamiento específicos del sitio.
Los autores desarrollaron una pipeline de inteligencia artificial que automatiza la extracción de datos multimodales de registros electrónicos de salud con una precisión superior al 99%, reduciendo significativamente la carga de trabajo manual en la creación de registros clínicos.
Este estudio demuestra que imponer la paridad demográfica en modelos predictivos de pruebas de VIH reduce injustificadamente el acceso a la detección para las poblaciones de alto riesgo, por lo que se recomienda utilizar métricas de equidad más apropiadas al contexto clínico, como la igualdad de oportunidades y la calibración.
Este artículo fue retirado de medRxiv por haber sido presentado con información falsa, por lo que no contiene un resumen válido de sus hallazgos.
Este artículo fue retirado de medRxiv porque fue sometido con información falsa.
Este estudio demuestra que la adopción de tecnología blockchain en las redes hospitalarias surcoreanas incrementa significativamente la eficiencia técnica en el intercambio de información de salud en comparación con las plataformas convencionales, tras un análisis econométrico riguroso que controla la incertidumbre del modelo y la endogeneidad.
Este artículo, titulado "WITHDRAWN: The Causal Impact of Natural Language Processing-Driven Clinical Decision Support on Sepsis Mortality in England: An Augmented Synthetic Control Analysis of NHS Trust-Level Data", fue retirado por medRxiv debido a que fue presentado con información falsa.
Este artículo ha sido retirado de medRxiv debido a que fue presentado con información falsa.
El modelo de generación impulsado por aprendizaje por refuerzo RLSYN+REG mejora significativamente la utilidad científica de los datos biomédicos sintéticos al garantizar que los modelos de regresión entrenados en ellos reproduzcan con mayor precisión los coeficientes y predicciones de sus contrapartes en datos reales, todo ello manteniendo la fidelidad estadística y la privacidad.
Este estudio demuestra que la integración de nuevas características funcionales matemáticas, como la proximidad espacial y la circularidad, en el test de dibujo de reloj digital mejora la detección de deterioro cognitivo leve y demencia, ofreciendo una alternativa más objetiva a los métodos tradicionales basados en estadísticas resumidas.
Este estudio establece la curvatura de Ricci de Ollivier como un biomarcador geométrico cuantitativo para redes biomédicas, demostrando mediante verificación formal en Lean 4 que las ontologías médicas exhiben una transición de fase hiperbólica, las redes de comorbilidad revelan una trayectoria de envejecimiento esférica y las características de órbitas de sedeniones distinguen topologías cerebrales de trastornos neurológicos.
Este estudio demuestra que tanto la regresión logística como los modelos de *gradient boosting* logran una precisión excepcional en la detección temprana de brotes de influenza a nivel nacional en EE. UU. (2020-2025) utilizando datos de vigilancia ILINet del CDC, validando su utilidad operativa para la planificación de salud pública.
El análisis de más de 410,000 publicaciones en Reddit revela que, si bien los síntomas gastrointestinales son los efectos secundarios más comunes de la semaglutida y la tirzepatida, las comunidades en línea también han identificado señales de seguridad emergentes, como alteraciones reproductivas y problemas relacionados con la temperatura, que no están completamente reflejados en los ensayos clínicos actuales.
Este trabajo presenta un marco de alineación modular basado en adaptadores LoRA que desacopla la supervisión del razonamiento y el ajuste de recompensas, logrando una estabilidad de entrenamiento superior y un razonamiento auditable en modelos de lenguaje clínicos pequeños sin sacrificar la precisión.
Este artículo presenta la Nomenclatura y Clasificación de Orphanet como un sistema estandarizado multilingüe que, con 9.784 entidades clínicas actualizadas a julio de 2025 y amplias correspondencias semánticas, aborda la subrepresentación de las enfermedades raras en las terminologías médicas para facilitar su identificación precisa, la interoperabilidad de datos y la mejora de la atención sanitaria y la investigación.
El estudio GLOW UP es un ensayo observacional prospectivo en Suiza que busca evaluar la viabilidad de biomarcadores digitales derivados de dispositivos portátiles y teléfonos inteligentes para el cribado de prediabetes y caracterizar la variabilidad de los factores del estilo de vida en adultos de 45 años o más con sobrepeso.