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 un framework di deep learning multimodale basato su meccanismi di cross-attention, che integra immagini dermoscopiche con i dati clinici dei pazienti, supera le strategie di fusione convenzionali migliorando l'accuratezza e la calibrazione nella diagnosi automatica delle lesioni cutanee.
Questo studio di fattibilità descrive come la co-progettazione informata dall'intelligenza artificiale abbia guidato lo sviluppo di un'applicazione di realtà virtuale per la mindfulness, mirata ad alleviare il disagio legato al diabete attraverso un design personalizzato e culturalmente appropriato.
Questo studio confronta modelli di regressione tradizionali e avanzati con grandi modelli linguistici medici (MedLLM) sul dataset LURIC, dimostrando che sia le tecniche di boosting come CatBoost sia i MedLLM ottimizzati raggiungono prestazioni competitive (fino all'85% di AUROC) nella previsione del rischio cardiovascolare e della mortalità, sebbene i modelli linguistici richiedano calibrazione per correggere una sistematica sovrastima del rischio.
Questa revisione sistematica evidenzia come la significativa eterogeneità nei metodi di implementazione computazionale porti a tassi di rilevamento della sepsi drasticamente diversi negli stessi dataset, sottolineando l'urgente necessità di standardizzare la reportistica metodologica e pubblicare il codice sorgente per migliorare la riproducibilità della ricerca.
Utilizzando dati multimodali del programma "All of Us", lo studio ha sviluppato un modello di sopravvivenza interpretabile che integra caratteristiche cliniche e genetiche per migliorare la stratificazione del rischio di cirrosi, carcinoma epatocellulare e mortalità nei pazienti con epatite C cronica, superando i limiti della sola stadiazione della fibrosi.
Questo studio analizza i dati del National COVID Cohort Collaborative per valutare l'efficacia di modelli di machine learning nella previsione della mortalità e della durata della degenza ospedaliera per pazienti con COVID-19, concludendo che le variabili strutturate dei registri elettronici offrono una discriminazione moderata per la mortalità ma sono insufficienti per prevedere la durata della degenza, evidenziando inoltre il compromesso tra discriminazione e calibrazione nell'uso della tecnica SMOTE per gestire lo squilibrio delle classi.
Questo studio di coorte dimostra che il modello di cura ibrida "Digital Clinic", che combina terapia cognitivo-comportamentale virtuale con un'app mobile, riduce in modo statisticamente significativo i sintomi di ansia e depressione nelle donne in gravidanza e nel periodo postpartum.
Questo studio presenta un framework di deep learning multimodale che combina immagini MRI e dati clinici testuali tramite un modello linguistico e un sistema di attenzione incrociata per migliorare l'accuratezza nella predizione preoperatoria del carcinoma della tiroide rispetto ai metodi unimodali.
Questo studio analizza le disparità nel tempo di utilizzo dei dispositivi indossabili tra diverse popolazioni, evidenziando come le soglie di conformità standard possano escludere in modo sproporzionato i dati di gruppi svantaggiati o affetti da patologie, e propone un quadro metodologico flessibile per mitigare tali bias e promuovere l'equità nella ricerca sanitaria digitale.
Il modello CHARIOT, sviluppato e validato internamente su 19 milioni di adulti britannici, combina analisi di sopravvivenza e inferenza causale per prevedere in modo personalizzato la riduzione del rischio cardiovascolare a 10 anni in seguito a specifiche interventi terapeutici e modifiche dello stile di vita, offrendo uno strumento pubblico e interattivo per la prevenzione clinica su larga scala.