193 artículos
Este estudio demuestra que un enfoque de agentes múltiples orquestado mediante la teoría de juegos de Nash mejora la seguridad y la eficiencia en la generación de planes de atención para pacientes de Medicaid, aunque no logra mejorar automáticamente la equidad, lo que subraya la necesidad de un diseño explícito para abordar las disparidades sociales.
El estudio AutoscriberValidate demostró que el uso del scribe digital ambiental Autoscriber redujo significativamente la carga laboral de los proveedores de salud y mejoró la calidad de las notas médicas al disminuir la mayoría de los errores.
El estudio demuestra que los modelos de visión-idioma comerciales son extremadamente vulnerables en entornos de radiología, ya que el texto inyectado mediante OCR puede anular la evidencia visual y provocar diagnósticos erróneos, lo que revela que las defensas basadas en prompts son insuficientes y exigen salvaguardias a nivel de sistema antes de su uso clínico.
Un estudio transversal con 500 pacientes en Jordania revela que, aunque existe optimismo condicional sobre la utilidad de la inteligencia artificial en la salud, su aceptación depende de la preferencia por un modelo colaborativo con médicos, la transparencia y la protección de la privacidad, siendo la disposición a adoptarla mayor en personas con mejores habilidades digitales y mayor nivel educativo.
Este estudio presenta un modelo híbrido SARIMA-CNNAR que, al combinar el modelado de tendencias estacionales lineales con la detección de patrones no lineales, logra predecir con mayor precisión la incidencia mensual de tuberculosis en Nepal que otros enfoques existentes, ofreciendo una herramienta valiosa para la planificación de recursos de salud pública.
MedOS es un modelo de mundo corporizado de propósito general que, mediante una arquitectura de doble sistema, integra el razonamiento clínico con la intervención física para democratizar la experiencia médica y cerrar la brecha de rendimiento entre médicos junior y senior.
Este estudio demuestra la viabilidad técnica de generar revisiones sistemáticas completamente automatizadas mediante modelos de lenguaje grandes, las cuales superaron en calidad percibida a una revisión humana en una evaluación ciega, aunque revelan limitaciones críticas como la repetición de contenido y la necesidad urgente de nuevos estándares de verificación y divulgación en la publicación científica.
Este estudio propone y evalúa dos métodos, un sistema de puntuación de fiabilidad y un ajuste bayesiano, para resolver las inconsistencias en las edades de inicio de enfermedades reportadas en encuestas sanitarias longitudinales, demostrando que ambas técnicas mejoran significativamente la correlación entre condiciones biológicas, el rendimiento predictivo y la coherencia de las redes de agrupación de enfermedades.
Este estudio analiza más de 340,000 reseñas de aplicaciones para el tratamiento del acúfeno utilizando un modelo de análisis de sentimientos basado en grafos (GNN-ABSA) para identificar que, aunque las funciones terapéuticas como el enmascaramiento sonoro reciben valoraciones positivas, aspectos como el precio, la publicidad y la estabilidad técnica generan críticas negativas, ofreciendo así una guía basada en datos para mejorar el diseño de estas herramientas digitales.
Este ensayo controlado aleatorizado de 90 días evalúa si el acceso a una nueva herramienta de resumen de historiales clínicos basada en inteligencia artificial generativa de Epic reduce la carga cognitiva de los proveedores ambulatorios en comparación con la atención habitual, utilizando como resultado principal la carga de tareas y métricas exploratorias de tiempo, agotamiento y satisfacción.
Este estudio analiza las razones por las que los clínicos editan las notas generadas por IA ambiental, identificando errores de transcripción, riesgos legales y necesidades de precisión como factores clave, y propone mejoras en la tecnología, la personalización y el apoyo institucional para optimizar la colaboración humano-IA.
Este estudio presenta un marco de emulación de ensayos autónomo basado en agentes que utiliza modelos de lenguaje y modelos bayesianos jerárquicos para aprender y calibrar las discrepancias sistemáticas entre los registros electrónicos de salud y los resultados de ensayos clínicos aleatorizados, mejorando significativamente la precisión de las estimaciones de efectos de fármacos a escala.
El estudio presenta CardioPulmoNet, una arquitectura de red neuronal inspirada en la fisiología cardiopulmonar que, al integrar conceptos de acoplamiento fisiológico, logra un aprendizaje de características estable e interpretable para el diagnóstico histopatológico, especialmente en condiciones de datos limitados.
Este estudio propone un pipeline de aprendizaje automático interpretable basado en XGBoost y SHAP que utiliza parámetros clínicos rutinarios para la detección temprana y no invasiva de la enfermedad del hígado graso no alcohólico (NAFLD) y sus comorbilidades asociadas, ofreciendo una herramienta accesible y visualmente interpretable para su aplicación clínica.
Este estudio valida que el flujo de trabajo basado en modelos de lenguaje grande llamado otto-SR automatiza con alto rendimiento las tareas más laboriosas de las revisiones sistemáticas (cribado, extracción de datos y evaluación del riesgo de sesgo), permitiendo reproducir y actualizar rápidamente la evidencia existente con mayor precisión y eficiencia que los investigadores humanos.
Este estudio analiza publicaciones de Reddit para revelar que, aunque los entornos naturales pueden ayudar a reducir la ansiedad social en jóvenes al mejorar su estado de ánimo, también pueden generar malestar debido al miedo al juicio social, lo que sugiere la necesidad de diseñar intervenciones a medida que complementen los tratamientos tradicionales.
Este estudio exploratorio utiliza seguimiento ocular y protocolos de pensamiento en voz alta para revelar que los proveedores de atención primaria dedican una atención visual significativa a los registros electrónicos de salud durante las entrevistas de detección del suicidio, lo que a menudo retrasa la discusión clínica hasta que se verifican los resultados.
Este estudio demuestra que integrar el conocimiento de expertos clínicos con algoritmos de aprendizaje de estructura causal permite desarrollar modelos predictivos parsimoniosos y transparentes para la disfunción cerebral aguda adquirida en la unidad de cuidados intensivos pediátricos, logrando un rendimiento comparable al de modelos más complejos utilizando un conjunto reducido de biomarcadores.
El artículo presenta ED-Triage-Agent, un marco de inteligencia artificial multiagente diseñado para colaborar con los clínicos en la clasificación de triaje en urgencias mediante la automatización de la recogida de historiales y la generación de evaluaciones de gravedad explicables, preservando así la autonomía humana en entornos críticos.
El documento presenta el Lilo Engine, un pipeline terapéutico de IA determinista de cinco capas diseñado para residencias de ancianos que garantiza una detección de crisis del 100% y una latencia de 28,7 ms mediante invariantes estructurales estrictas, superando las limitaciones de seguridad de los orquestadores multiagente anteriores.