159 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.
Questo studio dimostra che un framework standardizzato basato su prompt per l'analisi dei biomarcatori clinici raggiunge un'accuratezza di livello clinico su quattro diversi fornitori di modelli linguistici, validando la fattibilità di sistemi di intelligenza artificiale indipendenti dal vendor.
Questo studio presenta un nuovo approccio computazionale che combina la similarità fenotipica con la propagazione su rete per migliorare l'accuratezza diagnostica e la coerenza clinica nella diagnosi delle malattie rare, superando i metodi esistenti del progetto Solve-RD.
Questo studio presenta un nuovo framework di deep learning basato su modelli visivi fondazionali che, analizzando immagini del fondo oculare, non solo stima l'età biologica retinica con alta precisione, ma decostruisce anche l'eterogeneità fisiologica dell'invecchiamento identificando firme specifiche legate all'infiammazione sistemica e alle variazioni emodinamiche.
Lo studio presenta lo sviluppo e la validazione di un punteggio di salute neurologica (NHS) basato su algoritmi di machine learning che, integrando variabili genetiche, comportamentali e biochimiche, permette di quantificare il rischio di diverse patologie del sistema nervoso.
Questo studio confronta diversi metodi di imputazione dei dati mancanti per i risultati riportati dai pazienti (PRO) nel cancro esofageo, valutandone l'efficacia in termini di accuratezza, distribuzione e prestazioni cliniche per fornire raccomandazioni basate sull'evidenza nella ricerca oncologica.
Lo studio dimostra che esiste una netta dissociazione tra la capacità etica astratta dei modelli linguistici (capacità di rifiutare ordini dannosi) e la loro memoria clinica concreta (capacità di ricordare allergie del paziente), evidenziando la necessità di test di sicurezza duali per la certificazione dell'IA medica.
Questo studio presenta un modello basato su catene di Markov che utilizza dati anonimizzati per prevedere il rischio di interruzione delle terapie croniche, identificando come i costi e le barriere amministrative siano i principali fattori che compromettono l'aderenza del paziente.