193 articoli
Questo studio evidenzia come un assistente sanitario AI basato su RAG sviluppato per i servizi di benessere finlandesi manifesti pregiudizi di genere significativi e clinicamente rilevanti, fra cui una diversa urgenza di trattamento e l'associazione inappropriata di sintomi al genere femminile, a causa di stereotipi sociali che influenzano sia la generazione che il recupero delle informazioni.
Questo studio presenta un framework end-to-end per la generazione di dati sintetici di un trial oncologico di fase II che integra risposte radiografiche, DNA tumorale circolante, sicurezza e sopravvivenza, dimostrando la capacità di riprodurre segnali di efficacia e sicurezza biologicamente plausibili e coerenti per supportare il processo decisionale nella scienza dei dati clinici traslazionale.
Lo studio dimostra che sostituire le immagini radiografiche con i relativi referti scritti compromette la capacità predittiva dei modelli multimodali sulla mortalità post-dimissione, poiché i report clinici non catturano tutte le informazioni prognostiche visive presenti nelle immagini originali.
Questa revisione sistematica e analisi scientometrica evidenzia come la ricerca sull'IA per le radiografie toraciche sia dominata da paesi ad alto reddito e da dataset non rappresentativi, creando rischi di disuguaglianze cliniche che richiedono collaborazioni internazionali più eque e dati globalmente inclusivi.
Questo studio multimetodo evidenzia come la percezione della sicurezza da parte di pazienti e caregiver influenzi la scelta delle unità di crisi comportamentale, rivelando una sostanziale ma non totale sovrapposizione con le valutazioni dei rischi ambientali effettuate dall'intelligenza artificiale e sottolineando il valore di integrare tali strumenti per supportare decisioni più sicure.
Uno studio trasversale internazionale rivela che, sebbene la maggior parte dei revisori di riviste mediche sia familiare con i chatbot di intelligenza artificiale, il loro utilizzo nella revisione paritaria rimane limitato a causa di preoccupazioni etiche e di integrità, evidenziando al contempo un forte interesse per una formazione specifica.
Questo studio dimostra che l'implementazione di un flusso di lavoro ad alto rendimento basato su dati sanitari elettronici e amministrativi collegati, applicando un'architettura di misurazione standardizzata su 40 domini clinici, consente di generare pacchetti di evidenze completi che superano la frammentazione degli studi tradizionali e supportano la medicina di precisione rendendo visibili le differenze nell'efficacia dei trattamenti tra diverse sottopopolazioni.
Questo studio presenta un ensemble bayesiano adattivo alla prevalenza, potenziato da un'autoencoder variazionale per bilanciare i dati, che ha raggiunto una sensibilità del 100% e zero falsi positivi nella validazione e un'accurata audit clinica per la previsione della mortalità perioperatoria, integrando l'incertezza quantificata tramite entropia di Shannon per un triage sicuro.
Il modello TELF, un encoder temporale end-to-end leggero con fusione tardiva, supera le prestazioni dei metodi tradizionali nella previsione del rischio di malattie utilizzando dati longitudinali reali, offrendo al contempo una maggiore efficienza computazionale e interpretabilità clinica senza richiedere costosi pre-addestramenti.
Utilizzando registrazioni vocali di oltre 7.000 adulti, lo studio dimostra che l'età stimata dalla voce funziona come un orologio biologico affidabile e non invasivo, capace di catturare dimensioni indipendenti dell'invecchiamento e di correlarsi con fattori di rischio metabolici e fisiologici.
Il paper presenta "Digital Registrar", un framework che utilizza modelli linguistici locali per estrarre dati strutturati dai referti di patologia chirurgica, garantendo interoperabilità e privacy attraverso un approccio basato su schemi clinici rigorosi.
Questo studio dimostra che, sebbene l'espressione di CD276 sia associata al grado dei meningiomi, la sua capacità predittiva è limitata e il gene non costituisce un marcatore autonomo o dominante, ma piuttosto un bersaglio biologico di interesse che deve essere interpretato all'interno di un più ampio modello multigenico trascrittomico.
Questo studio valuta la riproducibilità e la robustezza di diversi modelli linguistici di grandi dimensioni nell'estrazione di informazioni cliniche sullo stato funzionale della mobilità, dimostrando che la variabilità dei prompt e della temperatura influisce negativamente sulla stabilità, ma che tecniche come il voto a maggioranza possono mitigare efficacemente tali problemi.
Questo studio dimostra che modelli di machine learning addestrati su dati clinici elettronici possono stimare con accuratezza i punteggi del questionario KCCQ per l'insufficienza cardiaca, superando le limitazioni legate alla raccolta incompleta di dati auto-dichiarati e supportando la stratificazione del rischio a livello di popolazione.
Questo studio dimostra che l'uso di modelli linguistici di grandi dimensioni (LLM), in particolare le varianti "mini" avanzate, spesso supera i sistemi basati su regole nell'estrazione dei determinanti sociali della salute dai dati clinici non strutturati, con prestazioni ottimali ottenute attraverso un approccio di fusione tardiva che combina entrambi i metodi.
Questo studio dimostra che il pre-addestramento supervisionato su 500.000 note cliniche de-identificate ha permesso a un modello linguistico di grandi dimensioni di acquisire conoscenze mediche specialistiche e migliorare le prestazioni in compiti clinici reali, mantenendo al contempo le sue capacità generali senza sacrificare le competenze nel dominio generale.
Il paper presenta Med-ICE, un framework autonomo basato su un consenso multi-agente iterativo che migliora significativamente l'accuratezza fattuale e l'affidabilità dei modelli linguistici nelle applicazioni mediche, superando le tecniche esistenti senza richiedere un arbitro esterno.
Lo studio introduce MedResearchBench per valutare sei sistemi di ricerca medica basati sull'IA, rivelando che l'integrità delle citazioni è il fattore determinante per il successo e dimostrando come un framework di verifica multi-agente possa correggere le allucinazioni e migliorare significativamente l'affidabilità rispetto alle valutazioni tradizionali basate su singoli modelli.
Lo studio dimostra che l'apprendimento multi-task focalizzato esclusivamente sulla previsione del carico psicosociale complessivo è più efficace per l'analisi dei testi di supporto tra pazienti oncologici rispetto all'aggiunta di compiti ausiliari o all'uso di supervisione tramite etichette morbide derivate da modelli linguistici.
Questo studio dimostra che modelli di machine learning applicati alle caratteristiche acustiche delle vocali, in particolare alla frequenza fondamentale, possono distinguere con un'accuratezza dell'89% gli adulti con autismo da quelli neurotipici, offrendo un potenziale strumento scalabile e interpretabile per lo screening dell'ASD.