192 articoli
La sanità informatica rappresenta l'intersezione vitale tra dati medici e tecnologia, trasformando come raccogliamo, analizziamo e utilizziamo le informazioni per migliorare la cura dei pazienti. Questo campo innovativo non si limita alla gestione digitale delle cartelle cliniche, ma abbraccia l'intelligenza artificiale applicata alla diagnostica e agli strumenti che aiutano i ricercatori a scoprire nuovi modelli nelle grandi masse di dati sanitari.
Su Gist.Science, ogni nuovo preprint pubblicato su medRxiv in questa categoria viene elaborato con cura. Offriamo per ciascun studio una sintesi in linguaggio semplice per il pubblico generale e un riassunto tecnico dettagliato per gli specialisti, rendendo la ricerca complessa immediatamente accessibile senza sacrificare il rigore scientifico.
Di seguito troverete l'elenco aggiornato degli ultimi studi pubblicati su medRxiv in questo settore, pronti per essere esplorati nelle loro diverse forme di sintesi.
Lo studio dimostra che i punteggi aggregati dei benchmark nascondono differenze clinicamente significative nella sicurezza dei modelli linguistici avanzati, poiché la variabilità negli errori di triage, nei bias contestuali e nella gestione delle crisi non è correlata all'accuratezza complessiva.
Questo studio dimostra che l'impiego combinato di tecniche di selezione delle caratteristiche e di campionamento dei dati, come il Chi-quadrato e SMOTE, all'interno di un modello di deep learning migliora significativamente l'accuratezza nel rilevamento delle frodi Medicare, raggiungendo il 95,4% e mitigando il problema dello squilibrio dei dati.
Questo studio prospettico canadese dimostra, tramite un modello congiunto longitudinale-sopravvivenza su 2.847 pazienti, che le traiettorie individuali dei sintomi gastrointestinali e il tasso di interruzione del trattamento nella sindrome dell'intestino irritabile sono dinamicamente collegati, rivelando che una maggiore gravità basale e un miglioramento più lento dei sintomi predicono significativamente una maggiore probabilità di abbandono della terapia.
Il paper presenta HybridNet-XR, un'architettura CNN ibrida ed efficiente che, tramite apprendimento auto-supervisionato senza docente, raggiunge prestazioni diagnostiche superiori nel rilevamento di patologie polmonari con un minimo consumo di memoria, rendendolo ideale per ambienti clinici con risorse computazionali limitate.
Questo studio qualitativo condotto a Singapore esamina le esperienze dei clinici con la tecnologia di trascrizione AI ambientale, evidenziando come essa possa ridurre il carico amministrativo e migliorare l'interazione con i pazienti, pur richiedendo soluzioni per garantire accuratezza, supporto multilingue e conformità alle normative locali sulla privacy.
Il documento presenta OpenScientist, un'intelligenza artificiale agenziale open-source che accelera la scoperta biomedica automatizzando l'analisi di dati complessi e generando ipotesi scientifiche verificabili in ambiti clinici come l'Alzheimer e il mieloma multiplo.
Questo studio di falsificazione pre-registrato dimostra che, in un centro accademico d'eccellenza, i modelli di previsione della sepsi rilevano segnali biologici genuini piuttosto che dipendere dall'intensità delle cure, evidenziando al contempo una significativa divergenza sistematica tra le definizioni cliniche e amministrative della sepsi che compromette la validità delle metriche di qualità ospedaliera.
Questo studio dimostra che l'imposizione della parità demografica nei modelli predittivi per il test dell'HIV è controproducente in contesti clinici con carichi di malattia differenziali, poiché riduce drasticamente l'accesso ai test per le popolazioni ad alto rischio, suggerendo invece l'adozione di criteri di equità come la parità di probabilità e la calibrazione.
Questo articolo è stato ritirato da medRxiv perché era stato sottoposto con informazioni false.
Questo articolo è stato ritirato da medRxiv perché era stato presentato con informazioni false.