180 पेपर
यह अध्ययन एक विजन फाउंडेशन मॉडल पर आधारित एक डीप लर्निंग फ्रेमवर्क प्रस्तुत करता है जो न केवल फंडस छवियों से रेटिनल जैविक आयु की सटीक भविष्यवाणी करता है, बल्कि उम्र बढ़ने के संकेतों को सूजन और हेमोडायनामिक्स जैसे प्रणालीगत स्वास्थ्य कारकों से जुड़े सामान्य और रोग संबंधी घटकों में विभाजित करके शारीरिक विषमता को भी अलग करता है।
शोधकर्ताओं ने आनुवंशिक, जीवनशैली और जैव रासायनिक डेटा का उपयोग करके एक मशीन लर्निंग-आधारित न्यूरोलॉजिकल हेल्थ स्कोर (NHS) विकसित और मान्य किया है, जो यह प्रदर्शित करता है कि उच्च स्कोर विभिन्न तंत्रिका संबंधी विकारों के जोखिम में कमी और बेहतर सामाजिक कल्याण के साथ महत्वपूर्ण रूप से सह-संबंधित है।
यह अध्ययन अनुसंधान वैधता में सुधार के लिए साक्ष्य-आधारित सिफारिशें प्रदान करने हेतु अन्नप्रणाली के कैंसर के रोगी-रिपोर्ट किए गए परिणामों (पेशेंट-रिपोर्टेड आउटकम्स) में लुप्त डेटा को संभालने के लिए विभिन्न सांख्यिकीय और मशीन लर्निंग इम्प्यूटेशन विधियों का मूल्यांकन और तुलना करता है।
यह अध्ययन लार्ज लैंग्वेज मॉडल्स में अमूर्त नैतिक तर्क और नैदानिक स्मृति के बीच एक महत्वपूर्ण अलगाव को प्रकट करता है, जिसमें यह पाया गया है कि जहाँ अधिकांश मॉडल हानिकारक आदेशों का प्रतिरोध कर सकते हैं, वहीं बहुत कम ही आईसीयू सिमुलेशन के दौरान एलर्जी जैसी रोगी-विशिष्ट निषेधों (contraindications) को सफलतापूर्वक याद रख पाते हैं।
यह अध्ययन एक रोगी-केंद्रित मार्कोव-चेन ढांचे को प्रस्तुत करता है जो दवा के पालन (मेडिकेशन एडहेरेंस) के जोखिमों की भविष्यवाणी करने के लिए आठ वर्षों के वि-पहचानीकृत (डी-आइडेंटिफाइड) स्पेशलिटी फार्मेसी डेटा का उपयोग करता है, जो अधिक न्यायसंगत रोगी-सहायता रणनीतियों का समर्थन करने के लिए लागत और प्रशासनिक देरी जैसे प्रणालीगत बाधाओं को गैर-पालन के प्राथमिक चालक के रूप में पहचानता है।
यह शोध पत्र BODHI को प्रस्तुत करता है, जो एक इंजीनियरिंग फ्रेमवर्क है जो एपिस्टेमिक अनिश्चितता (epistemic uncertainty) को विघटित करके और सद्गुण-आधारित नियमों (virtue-based rules) को लागू करके नैदानिक निर्णय सहायता AI को उन्नत करता है, जो नियंत्रित मूल्यांकनों में मॉडल की विनम्रता, जिज्ञासा और समग्र प्रतिक्रिया गुणवत्ता में महत्वपूर्ण सुधार करता है।
यह अध्ययन प्रदर्शित करता है कि एक व्याख्यात्मक (explainable) XGBoost मशीन लर्निंग मॉडल, जो मानवमितीय (anthropometric) डेटा को भोजन के समय और खाने की आदतों के साथ एकीकृत करता है, कार्डियोमेटाबोलिक जोखिम की सटीक भविष्यवाणी करता है और देर से रात का खाना खाने, अनियमित भोजन कार्यक्रम और कम भोजन आवृत्ति को प्रमुख परिवर्तनीय व्यवहार संबंधी जोखिम कारकों के रूप में पहचानता है।
इस क्रॉस-सेक्शनल अध्ययन ने 30,000 से अधिक सुरक्षित नेत्र विज्ञान संदेशों का विश्लेषण करने के लिए नेचुरल लैंग्वेज प्रोसेसिंग का उपयोग किया, जिससे यह पता चला कि जहाँ प्रशासनिक मुद्दे संचार पर हावी हैं, वहीं नैदानिक चिंताएं रोगी जनसांख्यिकी के अनुसार काफी भिन्न होती हैं, जो नेत्र देखभाल में ट्राइएज सुरक्षा और समानता में सुधार के अवसरों को उजागर करती हैं।
यह अध्ययन प्रदर्शित करता है कि चिकित्सा अभिलेखों में बिना क्यूरेट किया गया एआई-जनित डेटा एक स्व-संदर्भित चक्र बनाता है जो रोग संबंधी परिवर्तनशीलता और नैदानिक विश्वसनीयता को तेजी से नष्ट कर देता है, जिससे महत्वपूर्ण निष्कर्ष लुप्त हो जाते हैं और झूठी आश्वासन की दरें तीन गुना बढ़ जाती हैं, जिससे अनिवार्य मानवीय निरीक्षण के बिना एआई-जनित दस्तावेजीकरण चिकित्सकीय रूप से अनुपयोगी हो जाता है।
कौरो (Kauro) एक ओपन-सोर्स, ग्राफ-आधारित चैटबॉट है जो जनरेटिव एआई की स्टोकेस्टिक प्रकृति को वर्जन-कंट्रोल्ड, स्क्रिप्टेड कन्वर्सेशन पाथ्स से बदलकर सूचित सहमति (informed consent) जैसे उच्च-जोखिम वाले बायोमेडिकल संदर्भों में नियतात्मक (deterministic), ऑडिट करने योग्य और पुनरुत्पादनीय (reproducible) सूचना प्रसारण सुनिश्चित करता है।