193 artículos
Este estudio cualitativo revela que la credibilidad y la confianza en la inteligencia artificial sanitaria dependen de prácticas de gobernanza que demuestren responsabilidad, tal como lo perciben los profesionales de ciberseguridad que gestionan estas infraestructuras digitales.
El estudio demuestra que los modelos de lenguaje grandes (LLMs) presentan un sesgo hacia las enfermedades de países de altos ingresos, ofreciendo diagnósticos menos relevantes para contextos de países de ingresos bajos y medios en comparación con los médicos locales, incluso cuando se les informa de la ubicación geográfica del caso.
El artículo presenta GEN-KnowRD, un marco innovador que reorienta el uso de los modelos de lenguaje grandes hacia la generación de bases de conocimiento computables para enfermedades raras, logrando así mejoras significativas en el reconocimiento y diagnóstico temprano de estas patologías en comparación con enfoques existentes.
Este estudio demuestra que los algoritmos de aprendizaje automático pueden detectar eficazmente la variación clínica injustificada en el tratamiento de la faringitis viral aguda pediátrica utilizando factores contextuales de registros electrónicos de salud, ofreciendo una alternativa escalable y explicativa a los métodos estadísticos tradicionales.
Este estudio presenta un marco basado en evidencia del mundo real extraída de historiales clínicos electrónicos que reconstruye líneas de terapia metastásica y genera estimaciones de supervivencia libre de progresión individualizadas, permitiendo una estratificación de riesgo precisa y escalable para el cáncer de mama metastásico en diversas líneas de tratamiento.
PhenoSS es un marco estadístico basado en cópulas gaussianas que mejora la predicción de enfermedades raras y la agrupación de pacientes al modelar las dependencias jerárquicas de los fenotipos y corregir los efectos de lote en los datos clínicos.
El artículo presenta RareDAI, un enfoque que utiliza modelos de lenguaje grande (LLM) fine-tuned con razonamiento de cadena de pensamiento y auto-distilación para interpretar guías clínicas y ayudar a los médicos a tomar decisiones interpretables sobre pruebas genéticas para enfermedades raras, superando significativamente a los modelos tradicionales en precisión y capacidad de explicación.
Este estudio presenta un marco de prior de imagen profunda (DIP-Fusion) que integra información anatómica de resonancia magnética de protones y metabólica de sodio mediante regularización de variación total direccional, logrando una reconstrucción de imágenes de resonancia magnética de sodio de alta calidad y con mayor fidelidad estructural que las técnicas existentes, incluso en adquisiciones aceleradas.
El estudio demuestra que los modelos de lenguaje grandes actuales pueden refutar eficazmente los mitos sobre la vacunación con alta precisión científica, aunque su complejidad lingüística y variabilidad estilística sugieren la necesidad de optimizar su accesibilidad e integración en canales de salud pública.
Este estudio demuestra que es viable utilizar modelos de lenguaje grande con pocos ejemplos para categorizar las ediciones clínicas en notas generadas por IA ambiental, logrando un buen rendimiento en categorías como medicamentos y síntomas, aunque las categorías más complejas requieren supervisión humana.
Este estudio evaluó la implementación de una herramienta de IA generativa en un hospital académico holandés, revelando que, aunque inicialmente bien recibida, su adopción y utilidad percibida disminuyeron con el tiempo debido a limitaciones en la eficiencia clínica, la precisión del contenido y la alineación con el flujo de trabajo, lo que subraya la necesidad de gestionar expectativas y establecer indicadores de calidad para su escalado responsable.
Este trabajo presenta un modelo de aprendizaje profundo impulsado por la teoría clínica que mejora la predicción interpretable de la gravedad del trastorno del espectro autista mediante la integración estructurada de constructos sociales y motores en un mecanismo de atención cruzada, logrando un rendimiento superior y perfiles de síntomas transparentes alineados con el razonamiento clínico.
El informe de 2025 revela una maduración significativa en la investigación de IA en salud, caracterizada por un casi duplicado en el volumen de publicaciones y una transición desde modelos de aprendizaje automático clásicos y LLMs basados en texto hacia modelos fundacionales multimodales que mejor reflejan la complejidad de la práctica clínica real.
Este estudio demuestra que la ingeniería de características automatizada mediante Síntesis de Características Profundas (DFS) mejora significativamente el rendimiento, la calibración y la utilidad clínica de los modelos de predicción de reingresos por insuficiencia cardíaca en comparación con los enfoques tradicionales, aunque estos beneficios dependen fuertemente del tipo de modelo utilizado.
Este estudio de cohorte concluye que el tipo de respuesta editorial (noticia, expresión de preocupación o retractación) ante preocupaciones de integridad en ensayos controlados aleatorizados no influye en la tasa de declive de sus citas posteriores, la cual no difiere significativamente de la disminución natural observada en estudios de control.
Este estudio propone un marco de informática sanitaria impulsado por la gobernanza y calibrado con datos del mundo real que, al modelar el flujo longitudinal de pacientes y la adopción de proveedores, genera pronósticos de utilización en oncología significativamente más precisos que los enfoques estáticos tradicionales.
Este artículo presenta SO_SCPLOWTRATC_SCPLOWCP, un marco conformal estratificado que habilita la implementación segura de modelos fundacionales médicos mediante políticas de decisión controladas por error que gestionan la tasa de falsos descubrimientos para acciones inmediatas y ofrecen cobertura calibrada condicional para casos diferidos.
Este estudio demuestra que, aunque la robustez representacional de los modelos de lenguaje locales sigue una ley de escalado logarítmico, ni el tamaño del modelo ni el ajuste fino médico garantizan la fiabilidad clínica, ya que el rendimiento varía significativamente según la complejidad terminológica y el subdominio, lo que exige validaciones específicas para cada caso de uso seguro.
El estudio concluye que el Cuestionario de Regularidad del Sueño (SRQ) muestra una validez convergente modesta con los diarios de sueño pero una correspondencia débil con los datos objetivos de dispositivos portátiles, lo que sugiere que es una herramienta complementaria, no un sustituto, para la monitorización objetiva en adultos sanos.
Este ensayo controlado aleatorizado demuestra que el uso de modelos de lenguaje grande (LLM) para simplificar los informes de radiología mejora significativamente la legibilidad y la comprensión de los pacientes con una tasa de alucinaciones mínima, respaldando su implementación en la práctica clínica para fortalecer la comunicación médico-paciente.