📄 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

Regression vs. Medical LLMs: A Comprehensive Study for CVD and Mortality Risk Prediction

Cette étude comparative menée sur la cohorte LURIC démontre que les grands modèles de langage médicaux (MedLLMs), optimisés par few-shot prompting ou finetuning, rivalisent avec les techniques de régression avancées et les méthodes cliniques de référence pour prédire le risque de mortalité cardiovasculaire, bien qu'ils nécessitent un recalage pour corriger leur tendance à surestimer la mortalité.

KOM SANDE, S. D., Skorski, M., Theobald, M., Schneider, J., Marz, W.2026-03-11
📄 health informatics

Variability in Automated Sepsis Case Detection: A Systematic Analysis of Implementation Methods in Clinical Data Repositories

Cette étude systématique révèle une hétérogénéité méthodologique significative dans la détection automatisée du sepsis à partir des bases MIMIC-III et eICU-CRD, entraînant des taux de détection variables et appelant à une normalisation des rapports et à la publication de codes sources pour améliorer la reproductibilité.

Meyer-Eschenbach, F., Schmiedler, R., Stoephasius, J. v., Zhang, C., Kronfli, L., Frey, N., Naeher, A.-F., Ehret, J., No (…)2026-03-10
📄 health informatics

Time-to-event modeling with multimodal clinical and genetic features improves risk stratification of liver complications in chronic hepatitis C

En utilisant des données multimodales harmonisées du programme All of Us, cette étude a développé et validé un cadre de survie interprétable intégrant des facteurs cliniques et génétiques qui améliore significativement la stratification du risque de complications hépatiques et de mortalité chez les patients atteints d'hépatite C chronique.

Islam, H., Arian, A., Franses, J. W., Ahsan, H.2026-03-09
📄 health informatics

Predictors of COVID-19 hospital outcomes: a machine learning analysis of the National COVID Cohort Collaborative

Cette étude rétrospective utilisant les données du N3C montre que les modèles d'apprentissage automatique basés sur des données EHR structurées offrent une discrimination modérée pour prédire la mortalité des patients hospitalisés pour COVID-19, mais échouent à prédire avec précision la durée de séjour, tout en soulignant les compromis critiques entre discrimination et calibration lors de l'utilisation de techniques de rééchantillonnage comme SMOTE.

Vazquez, J., Taylor, L., Chen, Y.-Y. K., Araya, K., Farnsworth, M. G., Xue, X., Hasan, M., N3C Consortium,2026-03-09
📄 health informatics

Population differences in wearable device wear time: Rescuing data to address biases and advance health equity

En analysant les données de 11 901 participants, cette étude révèle que le temps de port des dispositifs portables varie significativement selon les facteurs démographiques et de santé, ce qui peut introduire des biais d'exclusion dans les populations malades, et propose un cadre méthodologique flexible pour corriger ces inégalités et promouvoir l'équité en santé numérique.

Hurwitz, E., Connelly, E., Sklerov, M., Master, H., Hochheiser, H., Butzin-Dozier, Z., Dunn, J., Haendel, M. A.2026-03-06
📄 health informatics

Predicting cardiovascular risk under intervention: Development and internal validation of the CHARIOT Model in 19 million adults

Le modèle CHARIOT, développé et validé sur 19 millions d'adultes britanniques à partir de dossiers médicaux électroniques, permet de prédire la réduction spécifique du risque cardiovasculaire à 10 ans sous diverses interventions (statines, antihypertenseurs, arrêt du tabac, modifications du mode de vie) pour orienter une prévention personnalisée et actionnable.

Pate, A., Jiang, B., Huang, Y.-T., Griffiths, S., Stables, D., Peek, N., McMillan, B., Sperrin, M.2026-03-05
📄 health informatics

TDA Engine v2.1: A Computational Framework for Detecting Structural Voids in Spatially Censored Epidemiological Data with Temporal Classification and Causal Inference

Le TDA Engine v2.1 est un cadre computationnel topologique qui détecte les vides structurels dans les données épidémiologiques censurées en les distinguant des fluctuations stochastiques grâce à une classification temporelle et une inférence causale, permettant ainsi d'identifier les zones potentielles de sous-déclaration pour orienter les investigations de santé publique.

Mboya, G. O.2026-03-05
📄 health informatics

Agent Role Structure and Operating Characteristics in Large Language Model Clinical Classification: A Comparative Study of Specialist and Deliberative Multi-Agent Protocols

Cette étude démontre que la décomposition des rôles au sein des systèmes multi-agents, sans modification des paramètres du modèle, agit comme un biais inductif structuré capable de modifier systématiquement les compromis entre sensibilité et spécificité dans les tâches de classification clinique.

Anderson, C. G.2026-03-05