📄 health informatics

Three Decades of FDA Authorizations of AI/ML Enabled Medical Devices: Persistent Specialty Concentration and the Care Delivery Gap (1995 to 2025)

1995 से 2025 तक के 1,430 FDA प्राधिकरणों का यह क्रॉस-सेक्शनल विश्लेषण प्रकट करता है कि जहाँ AI/ML-सक्षम चिकित्सा उपकरणों की स्वीकृतियों में तेजी से उछाल आया है, वहीं वे रेडियोलॉजी जैसे छवि-समृद्ध नैदानिक विशिष्टताओं में अत्यधिक केंद्रित हैं, जिससे पैथोलॉजी, प्रसूति और व्यवहार संबंधी स्वास्थ्य जैसे अन्य प्रमुख नैदानिक क्षेत्रों के प्रतिनिधित्व में महत्वपूर्ण अंतराल रह गए हैं।

Golshani, P., Joseph, M. S.2026-05-12
📄 health informatics

Machine Learning and Explainable AI for Multi-State Classification of Malaria Transmission Dynamics in Kenya

यह अध्ययन 2015 से 2025 तक केन्या के 47 काउंटियों में मलेरिया संचरण अवस्थाओं को सटीक रूप से वर्गीकृत करने के लिए एक्सट्रीम ग्रेडिएंट बूस्टिंग का उपयोग करके एक व्याख्या योग्य मशीन लर्निंग फ्रेमवर्क विकसित और मान्य करता है, जो यह प्रदर्शित करता है कि महामारी विज्ञान और पर्यावरणीय डेटा को एकीकृत करना लक्षित निगरानी और संसाधन आवंटन में प्रभावी रूप से सहायता कर सकता है।

Gogo, J. A., Wanyonyi, M.2026-05-12
📄 health informatics

MISP-Bench: Decomposing User-Provided False Priors into Answer, Rationale, and Guard Effects

यह शोध पत्र MISP-Bench प्रस्तुत करता है, जो एक बड़े पैमाने का फैक्टोरियल बेंचमार्क है जो यह मूल्यांकन करता है कि ओपन-वेट लैंग्वेज मॉडल्स क्लिनिकल और शैक्षिक संदर्भों में उपयोगकर्ता द्वारा प्रदान किए गए झूठे पूर्वग्रहों (false priors) के प्रति कैसे प्रतिक्रिया देते हैं, जिससे यह पता चलता है कि संयुक्त उत्तर-तर्क हमले (combined answer-rationale attacks) उप-योगात्मक क्षति (sub-additive damage) प्रदर्शित करते हैं, लक्षित व्याकुलताकर्ता (targeted distractors) मनमाने व्याकुलताकर्ताओं की तुलना में चापलूसी (sycophancy) को महत्वपूर्ण रूप से बढ़ाते हैं, और विशिष्ट सुरक्षा गार्ड रणनीतियाँ (जैसे स्रोत-स्वतंत्रता और स्पष्ट ओवरराइड) विविध मॉडलों में गलत सूचना संवेदनशीलता को प्रभावी ढंग से कम करती हैं।

Jeong, I., Kim, Y., Park, J.-H., Lee, H.2026-05-10
📄 health informatics

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

यह शोध पत्र मिसिंगनेस डेमोग्राफिक लीकेज ऑडिट (MDLA) को प्रस्तुत करता है, जो एक पुनरुत्पादक ढांचा है जो यह प्रकट करता है कि कैसे क्रिटिकल केयर मृत्यु दर मॉडल में लुप्त नैदानिक डेटा के पैटर्न सूक्ष्म, अनपेक्षित जनसांख्यिकीय प्रॉक्सी के रूप में कार्य कर सकते हैं, जिससे क्लिनिकल एआई वैलिडेशन पाइपलाइनों में मिसिंगनेस-अवेयर ऑडिटिंग और कैलिब्रेशन-अवेयर इवैल्यूएशन के एकीकरण को आवश्यक बनाया जा सके।

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

यह तुलनात्मक मूल्यांकन प्रदर्शित करता है कि जहाँ फाइन-ट्यून किए गए सामान्यवादी लार्ज लैंग्वेज मॉडल्स (LLMs) स्ट्रक्चर्ड EHR रोग जोखिम भविष्यवाणी पर विशिष्ट क्लिनिकल फाउंडेशन मॉडल्स की तुलना में आम तौर पर कम प्रदर्शन करते हैं, वहीं LLM-जनरेटेड एम्बेडिंग्स को लाइटवेट क्लासिफायर के साथ जोड़ने से AUROC और AUPRC दोनों मेट्रिक्स में बेहतर प्रदर्शन प्राप्त किया जा सकता है।

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

REVELIO प्रोटोकॉल एक बंद परीक्षण ट्रैक पर एक यादृच्छिक, नियंत्रित पायलट अध्ययन की रूपरेखा प्रस्तुत करता है, जिसे नियंत्रित THC प्रशासन के बाद वाहन, चालक और जैविक डेटा को सह-संबंधित करके स्वस्थ मनोरंजक उपयोगकर्ताओं में भांग-प्रभावित ड्राइविंग का पता लगाने के लिए एक मल्टीमॉडल इन-व्हीकल सिस्टम की व्यवहार्यता का मूल्यांकन करने के लिए डिज़ाइन किया गया है।

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

यह शोध पत्र AERO को प्रस्तुत करता है, जो एक AI एजेंट फ्रेमवर्क है जो वास्तविक दुनिया के डेटा इम्यूलेशन (real-world data emulation) के लिए क्लिनिकल ट्रायल पात्रता मानदंडों को अनुकूलित करने हेतु लार्ज लैंग्वेज मॉडल्स का लाभ उठाकर मानदंडों को व्यवस्थित रूप से वर्गीकृत और परिष्कृत करता है, जिससे एक WARCEF ट्रायल इम्यूलेशन में प्रदर्शित उपचार प्रभाव अनुमानों की सामान्यीकरण क्षमता और सटीकता में सुधार होता है।

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

यह शोधपत्र EquiLense को प्रस्तुत करता है, जो एक व्यावहारिक, पोस्ट-हॉक और मॉडल-अज्ञेय ऑडिटिंग टूल है जो क्लिनिकल एआई में समूह और व्यक्तिगत निष्पक्षता आकलन के बीच के अंतर को पाटने के लिए मीन प्रेडिक्टेड प्रोबेबिलिटी डिफरेंस (MPPD) नामक एक नवीन मीट्रिक का उपयोग करता है ताकि जनसांख्यिकीय समूहों के बीच व्यवस्थित भविष्यवाणी विसंगतियों की पहचान की जा सके।

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

MedAdhereAI एक व्याख्या योग्य मशीन लर्निंग पाइपलाइन है जो पुरानी बीमारियों वाले रोगियों में दवा के गैर-अनुपालन (non-adherence) की भविष्यवाणी करने के लिए वास्तविक दुनिया के रिफिल और क्लेम डेटा का उपयोग करती है, जो लक्षित नैदानिक हस्तक्षेपों के समर्थन के लिए SHAP व्याख्यात्मकता के माध्यम से कार्रवाई योग्य अंतर्दृष्टि प्रदान करती है।

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

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

यह शोध पत्र MIMIC-IV-Phenotype-Atlas (MIPA) को प्रस्तुत करता है, जो 16 फेनोटाइप्स में विशेषज्ञ-एनोटेटेड डिस्चार्ज सारांशों वाला पहला सार्वजनिक रूप से उपलब्ध बेंचमार्क डेटासेट है, जो फेनोटाइपिंग विधियों के मानकीकृत मूल्यांकन को सक्षम बनाता है और यह प्रदर्शित करता है कि बड़े भाषा मॉडल (large language models) जटिल चिकित्सा स्थितियों की पहचान करने में पारंपरिक नियम-आधारित और मशीन लर्निंग दृष्टिकोणों से बेहतर प्रदर्शन करते हैं।

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