📄 Category

health informatics

239 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

Attitudes and Perceptions Toward the Use of Artificial Intelligence Chatbots for Peer Review in Medical Journals: A Large-Scale, International Cross-Sectional Survey

Cette étude internationale révèle que, bien que la majorité des réviseurs de revues médicales soient familiers avec les chatbots d'IA, leur utilisation dans l'examen par les pairs reste limitée en raison de préoccupations éthiques et de fiabilité, tout en soulignant un fort besoin de formation et de directives claires.

Ng, J. Y., Bhavsar, D., Dhanvanthry, N., Bouter, L., Chan, T., Cramer, H., Flanagin, A., Iorio, A., Lokker, C., Maisonne (…)2026-04-07
📄 health informatics

Perioperative Mortality Prediction Using a Bayesian Ensemble with Prevalence-Adaptive Gating

Cette étude présente un ensemble bayésien adaptatif à la prévalence intégrant des autoencodeurs variationnels et une quantification de l'incertitude par entropie, qui a démontré une sensibilité de 100 % sur un ensemble de validation et une sensibilité de 69,2 % avec une spécificité parfaite de 100 % lors d'un audit global, établissant ainsi un système de prédiction de mortalité périopératoire robuste et exempt de faux positifs.

Pandey, A. K.2026-04-06
📄 health informatics

Multi-Task Learning and Soft-Label Supervision for Psychosocial Burden Profiling in Cancer Peer-Support Text

Cette étude démontre que l'apprentissage multi-tâches axé uniquement sur la charge composite est la méthode la plus efficace pour modéliser le fardeau psychosocial dans les textes de soutien aux patients atteints de cancer, tandis que l'utilisation de labels souples dérivés de modèles de langage génératif s'avère moins performante que l'apprentissage supervisé par labels durs pour la classification des émotions.

Wang, Z., Cao, Y., Shen, X., Ding, Z., Liu, Y., Zhang, Y.2026-04-04
📄 health informatics

A Reproducible Health Informatics Pipeline for Simulating and Integrating Early-Phase Oncology Clinical, Biomarker, and Pharmacokinetic Data for Exploratory Decision-Support Analytics

Cet article présente un pipeline d'informatique de santé reproductible basé sur Python qui simule et intègre des données cliniques, de biomarqueurs et pharmacocinétiques d'un essai oncologique précoce pour générer des jeux de données prêts à l'analyse, des visualisations et des modèles prédictifs exploratoires afin de soutenir la prise de décision.

Petalcorin, M. I. R.2026-04-02
📄 health informatics

Development and Temporal Evaluation of Multimodal Machine Learning Models to Predict High Inpatient Opioid Exposure

Cette étude démontre que l'intégration de données structurées et de textes cliniques dans des modèles d'apprentissage multimodal permet de prédire avec précision l'exposition élevée aux opioïdes lors d'une hospitalisation, offrant ainsi un outil potentiel pour améliorer la gestion des opioïdes.

Kale, S., Singh, D., Truumees, E., Geck, M., Stokes, J.2026-04-02
📄 health informatics

Self-Reported Symptoms Enable Four-Phase Menstrual Cycle Classification with Hormonally Validated Labels

Cette étude démontre qu'un cadre de modélisation hybride combinant un classifieur à gradient boosté et un modèle de Markov semi-caché permet de classifier avec précision les quatre phases du cycle menstruel à partir uniquement de symptômes auto-rapportés, offrant ainsi une solution de suivi de santé reproductive peu coûteuse et sans dispositif.

Specht, B., Tayeb, Z. Z., Garbaya, S., Khadraoui, D., EL-Khozondar, M., Schneider, R.2026-04-01
📄 health informatics

DR. INFO at the Point of Care: A Prospective Pilot Study of an Agentic AI Clinical Assistant

Cette étude pilote prospective démontre que l'assistant clinique IA agentic « DR. INFO » permet aux médecins portugais de réaliser des économies de temps significatives et d'améliorer leur soutien à la décision clinique, générant un score de recommandation (NPS) exceptionnel de 81,2 sans aucun détracteur.

Corga Da Silva, R., Romano, M., Mendes, T., Isidoro, M., Ravichandran, S., Kumar, S., van der Heijden, M., Fail, O., Gna (…)2026-04-01
📄 health informatics

MedScope: A Lightweight Benchmark of Open-Source Large Language Models for Medical Question Answering

Ce papier présente MedScope, un cadre de référence léger et open-source pour évaluer systématiquement les modèles de langage de petite taille sur des questions médicales à choix multiples, en mettant l'accent sur une analyse multidimensionnelle qui révèle leurs limites actuelles pour un déploiement autonome dans des scénarios à haut risque.

Bian, R., Cheng, W.2026-04-01
📄 health informatics

Combining Token Classification With Large Language Model Revision for Age-Friendly 4M Entity Recognition From Nursing Home Text Messages: Development and Evaluation Study

Cette étude présente et évalue un pipeline de reconnaissance d'entités pour les 4M (Médicaments, Mentation, Mobilité, Ce qui compte) dans les messages textuels cliniques des maisons de retraite, combinant un classificateur de tokens Bio-ClinicalBERT affiné et une révision par des modèles de langage open-source locaux pour améliorer la précision de l'extraction d'informations structurées sans nécessiter de ressources de calcul importantes.

Amewudah, P., Popescu, M., Farmer, M. S., Powell, K. R.2026-04-01