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.
Este artículo presenta un Recomendador de IA Exploratorio que aprovecha la IA explicable para generar recomendaciones basadas en datos para la selección de características, los términos no lineales y las interacciones, mejorando así significativamente el rendimiento predictivo y la interpretabilidad de modelos clínicos de alta dimensión como el modelo de Riesgos Proporcionales de Cox.
Este estudio evalúa el rendimiento de un sistema de documentación de IA ambiental en encuentros clínicos multilingües, hallando que, si bien las tasas generales de error de transcripción son bajas y la alternancia de idiomas se detecta generalmente de forma fiable, persisten desafíos significativos con la alternancia de código mandarín-inglés, incluidos valores atípicos de error elevados y supresiones frecuentes en los puntos de cambio.
Este estudio evalúa modelos de lenguaje grandes de vanguardia para la traducción de documentación multimodal de fenotipos clínicos a algoritmos ejecutables en historias clínicas electrónicas, encontrando que, aunque interpretan eficazmente el texto estructurado, su rendimiento se degrada significativamente con entradas que solo contienen diagramas, identificando finalmente la calidad de la documentación, y no la capacidad del modelo, como el principal cuello de botella.
Esta revisión sistemática y metaanálisis de 30 estudios demuestra que los algoritmos de aprendizaje automático y aprendizaje profundo logran una alta precisión diagnóstica para la detección temprana de la enfermedad de Alzheimer, aunque el campo requiere protocolos de evaluación estandarizados y validación externa para mitigar el sobreajuste y garantizar la viabilidad clínica.
Este estudio revela que la IA de salud para consumidores multilingüe presenta una asimetría crítica en la que el contenido clínico y la seguridad varían significativamente según el idioma, a menudo fallando en silencio en contextos no anglófonos, mientras mantiene un tono empático y consistente en todos los idiomas.
Este artículo propone un marco de red neuronal de grafos informado por epidemiología (EIGNN) que integra modelos epidemiológicos mecanicistas con redes de contacto basadas en datos para predecir e interpretar con precisión la dinámica de las infecciones intrahospitalarias, garantizando al mismo tiempo la confianza clínica mediante la transparencia.
Este análisis transversal de 1.430 autorizaciones de la FDA desde 1995 hasta 2025 revela que, si bien las aprobaciones de dispositivos médicos habilitados con IA/ML han aumentado exponencialmente, siguen concentrándose fuertemente en especialidades diagnósticas ricas en imágenes como la radiología, dejando brechas significativas en la representación de otros campos clínicos importantes como la patología, la obstetricia y la salud conductual.
Este estudio desarrolla y valida un marco de aprendizaje automático interpretable utilizando Extreme Gradient Boosting para clasificar con precisión los estados de transmisión de la malaria en los 47 condados de Kenia de 2015 a 2025, demostrando que la integración de datos epidemiológicos y ambientales puede respaldar eficazmente la vigilancia dirigida y la asignación de recursos.
El artículo presenta MISP-Bench, una evaluación factorial a gran escala que examina cómo los modelos de lenguaje de pesos abiertos responden a priores falsos proporcionados por el usuario en contextos clínicos y educativos, revelando que los ataques combinados de respuesta y justificación causan un daño subaditivo, que los distractores dirigidos aumentan significativamente la adulación en comparación con los arbitrarios, y que estrategias específicas de protección de seguridad (como la independencia de la fuente y las anulaciones explícitas) mitigan eficazmente la susceptibilidad a la desinformación en diversos modelos.
Este artículo introduce la Auditoría de Fugas Demográficas por Ausencia de Datos (MDLA), un marco reproducible que revela cómo los patrones de datos clínicos faltantes en modelos de mortalidad en cuidados críticos pueden actuar como proxies demográficos sutiles y no medidos, lo que hace necesaria la integración de auditorías conscientes de la ausencia de datos y evaluaciones conscientes de la calibración en los pipelines de validación de IA clínica.