225 पेपर
इस अध्ययन ने 4,10,000 से अधिक रेडिट पोस्ट का विश्लेषण किया है जिससे यह पता चला है कि जबकि गैस्ट्रोइंटेस्टाइनल (जठरांत्र) लक्षण सेमाग्लुटाइड और टिरज़ेपाटाइड के सबसे आम स्व-रिपोर्ट किए गए दुष्प्रभाव हैं, ऑनलाइन समुदाय प्रजनन और तापमान संबंधी चिंताओं जैसी उभरती समस्याओं को भी उजागर करते हैं जो अक्सर नैदानिक परीक्षणों और आधिकारिक लेबलिंग में कम प्रतिनिधित्व पाती हैं।
यह शोध पत्र एक मॉड्यूलर, अडैप्टर-आधारित ढांचे को प्रस्तुत करता है जो छोटे नैदानिक भाषा मॉडलों के संरेखण (अलाइनमेंट) को स्थिर करने के लिए रीजनिंग सुपरविजन को रिवॉर्ड ट्यूनिंग से अलग करता है, जिससे गोपनीयता या दक्षता से समझौता किए बिना मजबूत, ऑडिट योग्य और सटीक प्रदर्शन प्राप्त होता है।
यह शोधपत्र ऑर्फ़नेट नेमोनक्लेचर एंड क्लासिफिकेशन सिस्टम को दुर्लभ रोगों के लिए एक व्यापक, बहुभाषी और अंतर-संचालनीय मानक के रूप में प्रस्तुत करता है, जो इसके जुलाई 2025 के अपडेट का विवरण देता है जिसमें वैश्विक डेटा साझाकरण, सटीक रोगी पहचान और बेहतर स्वास्थ्य परिणामों की सुविधा के लिए प्रमुख चिकित्सा शब्दावलियों के विस्तृत मैपिंग के साथ लगभग 10,000 नैदानिक संस्थाएं शामिल हैं।
यह अध्ययन एक मल्टी-सीड रणनीति और रैंडम फॉरेस्ट-आधारित फीचर रैंकिंग का उपयोग करते हुए एक सुदृढ़ एन्सेम्बल मशीन लर्निंग फ्रेमवर्क प्रस्तुत करता है, जो इथियोपिया में इसोफेजियल कैंसर का पता लगाने में लगभग पूर्ण सटीकता (98.3%) और शून्य फॉल्स नेगेटिव प्राप्त करता है, यह प्रदर्शित करते हुए कि आहार संबंधी और पर्यावरणीय जोखिम कारकों पर केंद्रित कम फीचर सेट संसाधन-सीमित परिवेशों में शीघ्र निदान में प्रभावी रूप से सहायता कर सकते हैं।
यह अध्ययन प्रदर्शित करता है कि एक क्रॉस-अटेंशन-आधारित मल्टीमॉडल डीप लर्निंग फ्रेमवर्क, जो डर्मोस्कोपिक छवियों को रोगी मेटाडेटा के साथ प्रभावी ढंग से एकीकृत करता है, त्वचा के घावों के निदान में बेहतर सटीकता और अंशांकन (कैलिब्रेशन) के साथ इमेज-ओनली और पारंपरिक फ्यूजन मॉडल दोनों से बेहतर प्रदर्शन करता है।
इस व्यवहार्यता अध्ययन ने टाइप 2 मधुमेह वाले वयस्कों और माइंडफुलनेस अभ्यासकर्ताओं से अंतर्दृष्टि प्राप्त करने के लिए आर्टिफिशियल इंटेलिजेंस-सूचित अनुभव-आधारित सह-डिज़ाइन (AI-EBCD) का उपयोग किया, जिसके परिणामस्वरूप मधुमेह संकट को कम करने के उद्देश्य से एक वर्चुअल रियलिटी माइंडफुलनेस एप्लिकेशन के लिए एक अनुकूलित प्रोटोटाइप तैयार हुआ।
यह अध्ययन LURIC डेटासेट का उपयोग करके हृदय रोग और मृत्यु दर के जोखिमों की भविष्यवाणी करने के लिए पारंपरिक प्रतिगमन मॉडलों (regression models) के विरुद्ध मेडिकल लार्ज लैंग्वेज मॉडल्स (MedLLMs) के प्रदर्शन का मूल्यांकन करता है, जिसमें यह पाया गया कि जहाँ अनुकूलित MedLLMs और बूस्टिंग तकनीकें 85% तक प्रतिस्पर्धी AUROC प्राप्त करती हैं, वहीं व्यवस्थित अति-पूर्वानुमान (over-prediction) को ठीक करने के लिए MedLLMs को अंशांकन समायोजनों (calibration adjustments) की आवश्यकता होती है।
यह व्यवस्थित समीक्षा (systematic review) प्रकट करती है कि MIMIC-III और eICU-CRD डेटाबेस में स्वचालित सेप्सिस केस डिटेक्शन के बीच महत्वपूर्ण पद्धतिगत विषमता (methodological heterogeneity) से डिटेक्शन दर में व्यापक भिन्नता आती है, जो सेप्सिस अनुसंधान में पुनरुत्पादकता (reproducibility) सुनिश्चित करने के लिए मानकीकृत रिपोर्टिंग और ओपन-सोर्स कोड की तत्काल आवश्यकता को रेखांकित करती है।
यह अध्ययन प्रदर्शित करता है कि नैदानिक, आनुवंशिक और सामाजिक-आर्थिक डेटा को एकीकृत करने वाला एक व्याख्यात्मक, बहु-मोडल टाइम-टू-इवेंट ढांचा, पारंपरिक फाइब्रोसिस-आधारित मूल्यांकन की तुलना में क्रोनिक हेपेटाइटिस सी रोगियों में सिरोसिस, हेपैटोसेलुलर कार्सिनोमा और मृत्यु दर के जोखिम स्तरीकरण में महत्वपूर्ण सुधार करता है।
इस अध्ययन ने अस्पताल में भर्ती कोविड-19 रोगियों के एक बड़े, सामंजस्यपूर्ण कोहोर्ट पर मशीन लर्निंग का उपयोग करते हुए यह प्रदर्शित किया कि जहाँ सामान्य संरचित इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड की विशेषताएं मृत्यु दर की भविष्यवाणी करने के लिए मध्यम उपयोगिता प्रदान करती हैं, वहीं वे अस्पताल में रुकने की अवधि (लेंथ ऑफ स्टे) के पूर्वानुमान के लिए अपर्याप्त हैं, और क्लास इम्बैलेंस को संबोधित करने के लिए SMOTE लागू करना रिकॉल और विभेदन (डिस्क्रिमिनेशन) के बीच एक महत्वपूर्ण समझौता पैदा करता है जिसके लिए नैदानिक उपयोगिता हेतु थ्रेशोल्ड-डिपेंडेंट मेट्रिक्स रिपोर्ट करना आवश्यक है।