📄 Category

health informatics

159 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.

Unmeasured but Not Unbiased: The Missingness Demographic Leakage Audit (MDLA) for Calibration-Aware Fairness Evaluation in Critical Care Mortality Prediction

Cet article présente l'audit de fuites démographiques par données manquantes (MDLA), un cadre reproductible qui révèle comment les motifs de données cliniques manquantes dans les modèles de mortalité en soins critiques peuvent agir comme des proxies démographiques subtils et non mesurés, rendant nécessaire l'intégration d'un audit sensible aux données manquantes et d'une évaluation sensible à l'étalonnage dans les pipelines de validation de l'IA clinique.

Patel, K., Beedala, P.2026-05-03📄 health informatics

Disease Risk Prediction Using Structured EHR Data: Can Generalist Large Language Models Match Specialized Clinical Foundation Models? A Comparative Evaluation with Fine-Tuning

Cette évaluation comparative démontre que, bien que les grands modèles de langage généralistes affinés sous-performent généralement les modèles de fondation cliniques spécialisés dans la prédiction structurée du risque de maladie à partir de dossiers médicaux électroniques, les embeddings générés par des LLM couplés à des classifieurs légers peuvent atteindre des performances supérieures sur les deux métriques AUROC et AUPRC.

Mao, B., Prasadha, M. K., Xie, Z., He, J., Ghebranious, M., Xu, H., Zhi, D., Rasmy, L.2026-05-01📄 health informatics

Protocol for the REVELIO test-track pilot study: a randomised, controlled, single-centre trial in healthy recreational cannabis users investigating real-time in-vehicle detection of cannabis-impaired driving

Le protocole REVELIO décrit une étude pilote randomisée et contrôlée sur un circuit d'essai fermé, conçue pour évaluer la faisabilité d'un système multimodal embarqué visant à détecter la conduite sous l'emprise du cannabis chez des usagers récréatifs en bonne santé, en corrélant les données relatives au véhicule, au conducteur et à la biologie suite à une administration contrôlée de THC.

Bechny, M., Deuber, R., Heck, C., Brügger, J., Pfäffli, M., Jovanova, M., Fleisch, E., Wortmann, F., Weinmann, W.2026-05-01📄 health informatics

AERO: An AI Agent for Adaptive Eligibility Refinement and Optimization of Clinical Trial Criteria in Real-World Trial Emulation

L'article présente AERO, un cadre d'agents d'IA qui optimise les critères d'éligibilité des essais cliniques pour l'émulation de données réelles en exploitant des modèles de langage de grande taille pour classifier et affiner systématiquement ces critères, améliorant ainsi la généralisabilité et la précision des estimations de l'effet du traitement, comme démontré dans une émulation de l'essai WARCEF.

Li, X., James, J., Pellikka, P. A., Zong, N.2026-05-01📄 health informatics

Integrating Group and Individual Fairness Auditing in Clinical AI: A Post-Hoc, Model-Agnostic Approach

Ce papier présente EquiLense, un outil d'audit pratique, a posteriori et indépendant du modèle qui comble le fossé entre les évaluations de l'équité au niveau des groupes et au niveau individuel dans l'IA clinique en utilisant une nouvelle métrique appelée différence moyenne de probabilité prédite (MPPD) pour identifier des incohérences systématiques de prédiction entre les groupes démographiques.

Xu, J., Hwang, Y. M., Kondareddy, S., Dormoy, I., Jing, S. L., Pillai, M., Curtin, C. M., Hernandez-Boussard, T.2026-04-30📄 health informatics

MedAdhereAI: An Interpretable Machine Learning Pipeline for Predicting Medication Non-Adherence in Chronic Disease Patients Using Real-World Refill Data

Cette étude présente MedAdhereAI, un pipeline d'apprentissage automatique interprétable capable de prédire la non-observance thérapeutique chez les patients atteints de maladies chroniques en utilisant des données de renouvellement de prescriptions, afin de faciliter des interventions ciblées.

Yadav, S., Rajbhandari, S.2026-04-28📄 health informatics

MIMIC-IV-Phenotype-Atlas (MIPA) : A Publicly Available Dataset for EHR Phenotyping

Cet article présente le MIMIC-IV-Phenotype-Atlas (MIPA), le premier jeu de données public de référence pour le phénotypage des dossiers médicaux électroniques, qui combine des annotations d'experts sur 16 pathologies et un pipeline de traitement reproductible pour évaluer et comparer les performances des méthodes basées sur les codes ICD, l'apprentissage automatique et les grands modèles de langage.

Yamga, E., Goudrar, R., Despres, P.2026-04-24📄 health informatics

Stakeholder perspectives on the use of enhanced mobile phone capabilities for public health surveillance for non-communicable disease risk factors: A qualitative study

Cette étude qualitative menée en Ouganda révèle que, bien que les outils mobiles puissent améliorer la collecte de données sur les facteurs de risque des maladies non transmissibles dans les contextes à ressources limitées, leur déploiement responsable nécessite de relever des défis éthiques, juridiques et sociaux majeurs liés à la protection des données, à l'équité d'accès et à la confiance communautaire.

Mwaka, E. S., Nabukenya, S., Kasiita, V., Bagenda, G., Rutebemberwa, E., Ali, J., Gibson, D.2026-04-23📄 health informatics

A Bibliometric Review of Explainable AI in Diabetes Risk Prediction: Trends, Gaps, and Knowledge Graph Opportunities

Cette étude bibliométrique révèle une croissance rapide des recherches sur l'IA explicable pour la prédiction du diabète de type 2, tout en mettant en évidence un manque critique d'intégration des graphes de connaissances et en proposant un cadre conceptuel à trois couches pour combler ce fossé entre les explications statistiques et les parcours cliniques structurés.

Van, T. A.2026-04-21📄 health informatics

Decision Curve Analysis for Evaluating Machine Learning Models for Next-Day Transfer Out of ICU

En utilisant des données MIMIC-IV, cette étude démontre que l'analyse de la courbe de décision (DCA) permet d'évaluer l'utilité clinique des modèles d'apprentissage automatique pour prédire les transferts hors de l'unité de soins intensifs et d'optimiser les seuils de décision afin d'aligner les prédictions sur les contraintes opérationnelles réelles.

Pozo, M., Pape, A., Locke, B., Pettine, W. W.2026-04-21📄 health informatics