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 estudio demuestra que el modelo de lenguaje auto-supervisado Wav2Vec 2.0 puede estimar con alta precisión el género y correlacionar la edad en el habla patológica de pacientes con Parkinson, aunque su eficacia para la estimación de edad depende críticamente de la tarea de habla utilizada.
Esta encuesta internacional a gran escala revela que, aunque la mayoría de los investigadores en medicina tradicional, complementaria e integrativa reconocen el potencial de las chatbots de IA generativa para reducir la carga de trabajo y mejorar la eficiencia, existe una necesidad crítica de capacitación institucional para abordar desafíos como los sesgos y los errores.
Este estudio revela que un asistente de IA basado en RAG para servicios de bienestar en Finlandia presenta sesgos de género significativos y clínicamente relevantes, donde las variantes femeninas de las consultas provocan respuestas estereotipadas centradas en la crianza y la salud reproductiva, así como errores en la urgencia del tratamiento y el contexto clínico, debido a fallos tanto en la generación como en la recuperación de información.
Este estudio retrospectivo demuestra que es posible predecir con alta precisión las citas ambulatorias no utilizadas en Estados Unidos mediante modelos de aprendizaje automático aplicados a datos de registros electrónicos de salud, lo que podría optimizar la gestión de citas y mejorar la eficiencia sanitaria.
Este estudio prospectivo demuestra que una plataforma basada en blockchain y tokens intransferibles (SBT) permite recopilar de manera rápida, económica y global las opiniones de expertos en columna vertebral, revelando que la variabilidad en las decisiones clínicas se debe tanto al caso del paciente como al estilo del médico y a su interacción, lo que subraya la necesidad de datos diversos para entrenar modelos predictivos.
El artículo presenta Fmpi, un marco de detección de potenciales evocados que utiliza el modelado analítico del ruido de fondo individualizado para lograr una detección en tiempo real, eficiente y robusta con una reducción significativa del tiempo de prueba sin comprometer la fiabilidad diagnóstica.
Este estudio presenta un enfoque de aprendizaje automático basado en conjuntos que, al analizar datos del sistema FAERS sin excluir valores atípicos, permite la detección temprana de señales de rareza en reacciones adversas a medicamentos, superando las limitaciones de los métodos estadísticos tradicionales para mejorar la seguridad del paciente.
Este estudio presenta y valida un pipeline de generación de datos sintéticos para un registro quirúrgico de columna multicéntrico, demostrando mediante un marco de certificación de tres dominios (fidelidad, utilidad y privacidad) y un anclaje en blockchain que es posible compartir datos quirúrgicos de forma segura para el desarrollo de inteligencia artificial sin comprometer la confidencialidad de los pacientes.
Este estudio demuestra que la descomposición espacial de los mapas longitudinales de la capa de fibras nerviosas de la retina revela seis modos distintos de progresión del glaucoma, los cuales superan a las medidas globales tradicionales al correlacionarse mejor con el deterioro funcional y presentar firmas genéticas más homogéneas.
Este estudio presenta un marco de ensayo clínico oncológico sintético que integra respuestas radiográficas, ADN tumoral circulante, seguridad y supervivencia para generar datos coherentes y biológicamente plausibles que apoyan la toma de decisiones en la ciencia de datos traslacional.