159 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 presenta un marco de aprendizaje automático basado en ensembles que, mediante la selección de características y una estrategia multi-semilla, logra una detección temprana y precisa del cáncer esofágico en Etiopía con una precisión del 98,3%, destacando el papel crucial de los factores dietéticos y ambientales en el riesgo de la enfermedad.
Este estudio demuestra que un marco de aprendizaje profundo multimodal que utiliza mecanismos de atención cruzada para integrar imágenes dermoscópicas con metadatos clínicos del paciente supera a las estrategias de fusión convencionales y a los modelos unimodales en el diagnóstico automatizado de lesiones cutáneas.
Este estudio de viabilidad describe el diseño participativo de una aplicación de realidad virtual para la atención plena, informada por inteligencia artificial, destinada a abordar la angustia de la diabetes mediante la colaboración con pacientes y la identificación de características clave para un prototipo personalizado.
Este estudio compara modelos de regresión tradicionales con grandes modelos de lenguaje médicos (MedLLMs) utilizando datos del estudio LURIC, demostrando que tanto las técnicas de regresión avanzadas como los MedLLMs optimizados alcanzan un rendimiento competitivo (hasta un 85% de AUROC) en la predicción de mortalidad por enfermedades cardiovasculares, aunque los MedLLMs requieren calibración para corregir su tendencia a sobreestimar el riesgo.
Este estudio demuestra que la heterogeneidad en los métodos de implementación para la detección automatizada de sepsis en las bases de datos MIMIC-III y eICU-CRD genera tasas de detección altamente variables, lo que subraya la necesidad urgente de estandarizar los informes metodológicos y publicar código fuente controlado para mejorar la reproducibilidad en la investigación sobre sepsis.
Utilizando datos del programa All of Us, los autores desarrollaron un marco de supervivencia multimodal interpretable que integra características clínicas y genéticas para mejorar significativamente la estratificación del riesgo de cirrosis, carcinoma hepatocelular y mortalidad en pacientes con hepatitis C crónica, superando las limitaciones de la clasificación basada únicamente en la fibrosis.
Este estudio utiliza aprendizaje automático en datos del N3C para demostrar que, aunque las características estructuradas de las historias clínicas electrónicas ofrecen una utilidad moderada para predecir la mortalidad hospitalaria por COVID-19, son insuficientes para predecir la duración de la estancia y que el uso de SMOTE presenta una compensación crítica entre la discriminación y la calibración que debe considerarse en la planificación clínica.
Este estudio de cohorte piloto demuestra que un modelo de atención híbrido novedoso, que combina terapia cognitivo-conductual virtual con la aplicación móvil mindLAMP, reduce significativamente la ansiedad y la depresión en mujeres embarazadas y posparto, ofreciendo una solución prometedora para abordar la brecha en el tratamiento de la salud mental materna.
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.