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.
Questo studio, sebbene ritirato, ha fornito la prima evidenza econometrica su larga scala dimostrando che l'adozione della tecnologia blockchain nelle reti ospedaliere sudcoreane migliora significativamente l'efficienza tecnica nello scambio di informazioni sanitarie rispetto ai sistemi convenzionali.
Questo articolo è stato ritirato da medRxiv perché era stato presentato con informazioni false.
Questo articolo è stato ritirato da medRxiv perché era stato presentato con informazioni false.
Il paper introduce RLSYN+REG, un modello generativo basato sul reinforcement learning che migliora significativamente l'utilità scientifica dei dati sintetici biomedici assicurando che i modelli di regressione addestrati su di essi riproducano fedelmente le prestazioni e i coefficienti ottenuti con i dati reali, senza compromettere la fedeltà statistica o la privacy.
Il framework Chronos, che utilizza la tokenizzazione per proteggere la privacy, ha permesso di collegare campioni di plasma archiviati a dati clinici longitudinali su larga scala, rivelando alterazioni proteomiche coordinate che possono predire la diagnosi di Parkinson anni prima della comparsa dei sintomi.
Questo studio dimostra che sia la regressione logistica che i modelli di gradient boosting, addestrati su dati storici dell'ILINet del CDC, raggiungono un'accuratezza quasi perfetta nel rilevare tempestivamente le epidemie di influenza negli Stati Uniti, fornendo uno strumento operativo affidabile per la sorveglianza sanitaria.
Questo studio analizza oltre 400.000 post su Reddit per rivelare che, sebbene i sintomi gastrointestinali siano predominanti, i pazienti riportano anche effetti collaterali non pienamente riconosciuti come irregolarità mestruali e disturbi termici, evidenziando come l'analisi dei social media possa integrare la farmacovigilanza tradizionale per mappare il profilo di sicurezza reale di semaglutide e tirzepatide.
Questo lavoro propone un framework di allineamento modulare basato su adapter LoRA che, disaccoppiando la supervisione del ragionamento dall'ottimizzazione della ricompensa, risolve le instabilità di addestramento e garantisce ragionamenti auditabili e accurati nei modelli linguistici clinici di piccole dimensioni.
Questo articolo presenta la Nomenclatura e Classificazione Orphanet delle malattie rare, un sistema terminologico standardizzato e interoperabile che, aggiornando i dati al luglio 2025, offre una definizione operativa precisa, una struttura multihierarchica e mappature semantiche estese per migliorare il riconoscimento dei pazienti, la condivisione dei dati e l'assistenza sanitaria globale.
Questo studio presenta un framework di apprendimento automatico ensemble, basato su un approccio multi-seed e sull'analisi dei fattori di rischio socio-demografici, dietetici e ambientali in Etiopia, che ha raggiunto un'accuratezza del 98,3% e una sensibilità del 100% nella rilevazione precoce del cancro esofageo, offrendo una soluzione diagnostica affidabile per contesti sanitari con risorse limitate.