health informatics पेपर

Ambient AI Documentation in Mixed-Language Encounters: A Heuristic Evaluation of Spanish-English and Mandarin-English Conversations

यह अध्ययन मिश्रित-भाषा वाले नैदानिक मुठभेड़ों में एक एम्बिएंट एआई दस्तावेज़ीकरण प्रणाली के प्रदर्शन का मूल्यांकन करता है, जिसमें यह पाया गया है कि हालांकि समग्र ट्रांसक्रिप्शन त्रुटि दर कम है और भाषा परिवर्तन को आम तौर पर विश्वसनीय रूप से पहचाना जाता है, फिर भी मैंडरीन-अंग्रेजी कोड-स्विचिंग के साथ महत्वपूर्ण चुनौतियाँ बनी हुई हैं, जिसमें उच्च त्रुटि आउटलेयर और स्विच बिंदुओं पर बार-बार विलोपन शामिल हैं।

Hu, D., Flores, D., Flores, L., Chien, R., Lam, K., Chow, E., Guo, Y., Tam, S., Perret, D., Pandita, D., Zheng, K.2026-05-22

📄 health informatics

Evaluating Large Language Models for Translating Multimodal Phenotype Documentations into Executable EHR Phenotyping Algorithms

यह अध्ययन मल्टीमॉडल क्लिनिकल फेनोटाइप दस्तावेज़ीकरण को निष्पादन योग्य ईएचआर (EHR) एल्गोरिदम में अनुवादित करने के लिए फ्रंटियर लार्ज लैंग्वेज मॉडल्स का मूल्यांकन करता है, जिसमें यह पाया गया कि हालांकि वे संरचित टेक्स्ट की व्याख्या प्रभावी ढंग से करते हैं, लेकिन केवल आरेख-आधारित इनपुट के साथ उनका प्रदर्शन काफी कम हो जाता है, जो अंततः मॉडल क्षमता के बजाय दस्तावेज़ीकरण की गुणवत्ता को प्राथमिक बाधा के रूप में पहचानता है।

Yan, C., Xin, Y., Su, W.-C., Gangireddy, S., Durbhakula, S., Bruehl, S. P., Dickson, A. L., Li, L., Feng, Q., Malin, B. (…)2026-05-22

📄 health informatics

Deep Learning and Machine Learning for Early Detection of Alzheimer's Disease: A Systematic Review and Meta-Analysis

30 अध्ययनों का यह व्यवस्थित समीक्षा और मेटा-विश्लेषण प्रदर्शित करता है कि मशीन लर्निंग और डीप लर्निंग एल्गोरिदम अल्जाइमर रोग के शीघ्र पता लगाने के लिए उच्च नैदानिक सटीकता प्राप्त करते हैं, हालांकि ओवरफिटिंग को कम करने और नैदानिक व्यवहार्यता सुनिश्चित करने के लिए इस क्षेत्र को मानकीकृत मूल्यांकन प्रोटोकॉल और बाहरी सत्यापन की आवश्यकता है।

Machiraju, S.2026-05-22

📄 health informatics

Asymmetry between warmth and clinical substance in multilingual consumer health AI

यह अध्ययन यह प्रकट करता है कि बहुभाषी उपभोक्ता स्वास्थ्य एआई (AI) एक महत्वपूर्ण विषमता प्रदर्शित करता है जहाँ नैदानिक सार और सुरक्षा भाषा के अनुसार काफी भिन्न होती है—जो अक्सर गैर-अंग्रेजी संदर्भों में मौन रूप से विफल हो जाती है—जबकि सभी भाषाओं में एक सुसंगत, सहानुभूतिपूर्ण स्वर बनाए रखती है।

Ariel, D., Grumberg, L. R., Supakul, S., Wannasri, S., Mitchnik, I. Y., Lev, A., Ariyamethanon, W., Agbarieh, M., Miari (…)2026-05-14

📄 health informatics

Epidemiology-Informed Graph Neural Networks for Predicting and Interpreting Transmissible Hospital-Acquired Infections: A Retrospective Cohort and Simulation Study

यह शोध पत्र एक एपिडेमियोलॉजी-सूचित ग्राफ न्यूरल नेटवर्क (EIGNN) ढांचे का प्रस्ताव करता है जो अस्पताल-जनित संक्रमण की गतिशीलता की सटीक भविष्यवाणी करने और व्याख्या करने के लिए डेटा-संचालित संपर्क नेटवर्क के साथ यांत्रिक महामारी विज्ञान मॉडल को एकीकृत करता है और पारदर्शिता के माध्यम से नैदानिक विश्वास सुनिश्चित करता है।

Vindas Yassine, Y. E., Bornet, A., Abbas, M., Geissbuehler, D., Rodrigues-Jr, J. F., Teodoro, D.2026-05-12

📄 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

← पिछला अगला →