193 artículos
Este estudio cualitativo revela que tanto pacientes como proveedores de salud reconocen el gran potencial de las aplicaciones de salud móvil para mejorar la evaluación longitudinal y objetiva de la mielopatía por espondilosis cervical, aunque su implementación exitosa requiere un diseño intuitivo y una integración adecuada con los registros médicos.
Este estudio presenta un marco de aprendizaje profundo multimodal que combina imágenes de resonancia magnética mediante un Vision Transformer con un modelo de lenguaje adaptado para procesar datos clínicos, logrando una predicción más precisa del cáncer de tiroides que los sistemas unimodales tradicionales.
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.
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.
Este estudio cuasiexperimental longitudinal demuestra que el uso de un registrador de voz con inteligencia artificial en la atención primaria reduce progresivamente la carga de documentación y el tiempo fuera del horario laboral, mientras que aumenta la productividad financiera a lo largo de 150 días, lo que subraya la importancia de evaluar la adaptación gradual de estas herramientas en lugar de limitarse a mediciones puntuales.
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.
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.
Este estudio presenta una evaluación adversaria sistemática de los modelos de lenguaje grandes en contextos médicos, revelando que, aunque sus guardas de seguridad son robustas frente a la mayoría de los ataques, son vulnerables a la suplantación de autoridad (especialmente en contextos educativos), lo que provoca un cambio de comportamiento donde el modelo ofrece respuestas clínicamente precisas pero con enmarcado de seguridad insuficiente.
Aunque los modelos de lenguaje grandes muestran un alto rendimiento en aplicaciones médicas, una evaluación basada en ontologías revela que su comprensión de los conceptos médicos es fragmentada, ya que solo el 57,7% de los conceptos se entienden consistentemente en todas sus dimensiones (identidad, jerarquía y significado), lo que demuestra que el éxito aplicado puede ocultar lagunas fundamentales en la comprensión conceptual.
Este estudio presenta un marco híbrido que combina limpieza iterativa de etiquetas basada en XGBoost y un modelo de aprendizaje profundo Conv+BiLSTM para mejorar la precisión del diagnóstico de prediabetes utilizando datos de monitoreo continuo de glucosa del conjunto AI-READI, logrando una alta discriminación clínica y reduciendo la carga de pruebas diagnósticas.
Un estudio en un contexto real demostró que, aunque las técnicas de corrección del desequilibrio de clases mejoran ciertas métricas como la sensibilidad, degradan significativamente la calibración de los modelos de IA al sobreestimar los riesgos clínicos, lo que resulta en un menor beneficio neto para la toma de decisiones médicas en comparación con el uso de la distribución natural de los datos.
Este estudio demuestra que exigir a los modelos de lenguaje grandes citas textuales verificables para clasificar la elegibilidad de ensayos clínicos oncológicos crea un rastro de auditoría automatizado que mejora la confianza en las predicciones seleccionadas, aunque a costa de una menor cobertura y con resultados variables según el modelo.
Este estudio demuestra que, dado que los factores que influyen en el estado de ánimo varían significativamente entre individuos, es necesario combinar datos de dispositivos portátiles con modelos de lenguaje grandes para crear sistemas personalizados como MoodDriver que ofrezcan retroalimentación específica y mejoren la salud mental.
Este estudio presenta un marco de despliegue para la medicina personalizada en el ámbito perioperatorio que combina árboles de efectos causales y análisis de calibración para distinguir entre heterogeneidad clínicamente accionable y variación no fiable, permitiendo la selección segura de tratamientos solo cuando los beneficios estimados son robustos y significativos.
Este estudio demuestra que un modelo de lenguaje grande de 20 mil millones de parámetros desplegado localmente, combinado con una estrategia de prompting optimizada para la sensibilidad, puede acelerar significativamente la cribado de resúmenes en revisiones sistemáticas manteniendo una alta precisión, aunque su rendimiento varía según la objetividad de los criterios de inclusión.
Una encuesta transversal a editores de revistas de medicina tradicional, complementaria e integrativa revela que, aunque reconocen el potencial de la inteligencia artificial para tareas editoriales rutinarias, su adopción actual es limitada debido a la falta de políticas específicas, formación y barreras éticas.
Este estudio utiliza la base de datos ECHILD para caracterizar una cohorte nacional de niños solicitantes de asilo no acompañados en Inglaterra entre 2005 y 2021, analizando sus tasas de vinculación entre los registros de cuidado social, educación y salud para establecer una base para futuras investigaciones sobre sus resultados educativos y sanitarios.
El artículo presenta EmulatRx, un marco de inteligencia agéntica que utiliza datos del mundo real para automatizar y optimizar iterativamente el diseño de ensayos clínicos mediante la colaboración autónoma de agentes especializados.
Este artículo presenta un marco integral de aprendizaje transferible que utiliza modelos generativos condicionados por prompts y diversas estrategias de aumento de datos para superar la escasez y la heterogeneidad estilística en la clasificación de la intensidad emocional, demostrando mediante experimentos rigurosos que la generación de ejemplos sintéticos mejora significativamente el rendimiento del modelo al tiempo que identifica compensaciones críticas entre fluidez, diversidad léxica y fidelidad afectiva.
Este estudio propone un marco interpretativo que adapta el modelo de dos procesos de la regulación del sueño a los datos longitudinales de Fitbit, generando puntuaciones de procesos circadianos y homeostáticos que permiten analizar la relación entre los comportamientos del sueño y la salud, como la depresión, a gran escala.