📄 Category

health informatics

191 articles

L'informatique de la santé se situe à la croisée des données médicales et de la technologie, transformant des informations brutes en connaissances actionnables pour améliorer les soins. Ce domaine englobe tout, de l'analyse de grands ensembles de données cliniques à la création d'outils numériques qui aident les médecins à prendre des décisions plus rapides et plus précises.

Sur Gist.Science, nous suivons de près les dernières avancées de ce secteur en traitant chaque nouveau prépublication soumise sur medRxiv. Pour chaque étude, nous proposons une explication claire en langage courant ainsi qu'un résumé technique détaillé, rendant la recherche complexe accessible à tous les publics.

Vous trouverez ci-dessous la sélection la plus récente de ces travaux, offrant un aperçu direct des innovations qui façonnent l'avenir de la médecine numérique.

📄 health informatics

WITHDRAWN: Blockchain-Enabled Health Information Exchange Efficiency Across South Korean Hospital Networks: A Stochastic Frontier Analysis with Bayesian Model Averaging

Cette étude économétrique démontre que l'adoption de la technologie blockchain améliore significativement l'efficacité technique des échanges d'informations de santé au sein des réseaux hospitaliers sud-coréens par rapport aux plateformes conventionnelles, en s'appuyant sur une analyse stochastique de frontière avec moyenne bayésienne de modèles.

Park, J.-H., Kim, S.-Y.2026-03-16
📄 health informatics

Reward-Guided Generation Improves the Scientific Utility of Synthetic Biomedical Data

L'article présente RLSYN+REG, un modèle génératif piloté par l'apprentissage par renforcement qui améliore considérablement l'utilité scientifique des données synthétiques biomédicales en assurant que les modèles de régression entraînés sur ces données reproduisent fidèlement les coefficients et les prédictions de leurs équivalents sur des données réelles, le tout sans compromettre la fidélité ou la confidentialité.

Jackson, N. J., Espinosa-Dice, N., Yan, C., Malin, B. A.2026-03-16
📄 health informatics

Early Parkinson's Revealed by Unlocking Longitudinal Omics at Population Scale

En développant le cadre Chronos, qui associe des échantillons plasmatiques archivés à des dossiers cliniques longitudinaux, les chercheurs ont pu identifier des altérations protéomiques précoces permettant de prédire la maladie de Parkinson avant l'apparition des symptômes cliniques.

Feng, C., Kosti, I., Guo, Y., Wang, Y., Watson-Haigh, N. S., File, B., Hin, N., Nanasi, T., Guo, J., Suchecki, R., Tearl (…)2026-03-14
📄 health informatics

Comparative Evaluation of Logistic Regression and Gradient Boosting Models for Influenza Outbreak Early-Warning Using U.S. CDC ILINet Surveillance Data (2010-2025)

Cette étude démontre que la régression logistique et le gradient boosting appliqués aux données de surveillance ILINet du CDC permettent une détection précoce et extrêmement précise des épidémies de grippe aux États-Unis entre 2010 et 2025, offrant ainsi un outil opérationnel robuste pour la préparation du système de santé.

Onwuameze, C. N., Madu, V.2026-03-13
📄 health informatics

Self-Reported Side Effects of Semaglutide and Tirzepatide in Online Communities

Cette étude analyse près de 410 000 publications Reddit pour révéler que, bien que les symptômes gastro-intestinaux dominent les effets secondaires auto-déclarés du semaglutide et du tirzepatide, des signaux émergents concernant les troubles reproductifs et thermiques soulignent la nécessité de compléter la pharmacovigilance traditionnelle par l'analyse des réseaux sociaux pour mieux cerner le profil de sécurité réel de ces médicaments.

Sehgal, N. K. R., Tronieri, J. S., Ungar, L., Guntuku, S. C.2026-03-13
📄 health informatics

The Orphanet Nomenclature and Classification of rare diseases: a standard terminology for improved patient recognition and data interoperability

Cet article présente la nomenclature et la classification Orphanet des maladies rares, un système terminologique standardisé et multilingue qui, en recensant près de 10 000 entités cliniques et en assurant une interopérabilité sémantique avec les principales classifications médicales, permet une identification précise des patients et facilite le partage de données pour améliorer les soins et la recherche.

Lucano, C., Lagorce, D., Olry, A., Ali, H., Lanneau, V., De Carvalho, M., Dilsizoglu Senol, A., Fructuoso, M., Gaillard (…)2026-03-12
📄 health informatics

The Risk Factors, Detection and Classification of Esophageal Cancer Using Ensemble Machine Learning Models

Cette étude propose un cadre robuste d'apprentissage automatique ensembliste, optimisé par une stratégie multi-graines et une sélection de caractéristiques, qui atteint une précision exceptionnelle (98,3 %) et une sensibilité parfaite pour la détection précoce du cancer de l'œsophage en Éthiopie en se basant sur des facteurs de risque socio-démographiques, alimentaires et environnementaux.

Gaso, M. S., Mekuria, R. R., Cankurt, S., Deybasso, H. A., Abdo, A. A., Abbas, G. H.2026-03-11