195 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.
Il rapporto del 2025 evidenzia una significativa maturazione della ricerca sull'intelligenza artificiale in sanità, caratterizzata da un raddoppio delle pubblicazioni, un declino dei modelli di machine learning classici a favore di modelli fondazionali multimodali e una transizione verso applicazioni cliniche più complesse che riflettono la diversità dei dati reali.
Uno studio di coorte ha rilevato che il tipo di risposta editoriale (notizia, espressione di preoccupazione o ritrattazione) a problemi di integrità in trial randomizzati controllati non influenza il tasso di declino delle citazioni, che risulta simile a quello osservato nei trial di controllo.
Questo studio propone un quadro di informatica sanitaria guidato dalla governance e calibrato su dati reali che, integrando modelli longitudinali di flusso pazienti e dinamiche di adozione dei medici, supera le limitazioni delle previsioni statiche per generare stime più accurate dell'utilizzo delle risorse nell'oncologia e nelle condizioni croniche complesse.
Questo studio dimostra che la robustezza delle rappresentazioni dei termini medici nei modelli linguistici locali non dipende esclusivamente dalle dimensioni del modello o dal fine-tuning medico, ma varia significativamente in base alla complessità terminologica e al sottodominio clinico, rendendo necessaria una validazione specifica per garantire la sicurezza nelle applicazioni cliniche.
Questo studio dimostra che un approccio multi-agente basato sulla teoria dei giochi di Nash migliora significativamente la sicurezza e l'efficienza nella generazione di piani di cura per pazienti Medicaid rispetto a modelli singoli, pur evidenziando che l'equità richiede una progettazione esplicita e non emerge automaticamente dall'ottimizzazione multi-obiettivo.
Lo studio AutoscriberValidate dimostra che l'utilizzo del scribe digitale ambientale Autoscriber riduce il carico di lavoro amministrativo e migliora la qualità delle note mediche rispetto alla digitazione tradizionale.
Uno studio trasversale su 500 pazienti in Giordania rivela che, sebbene vi sia un'ottimismo condizionato verso l'intelligenza artificiale in ambito sanitario, la sua accettazione dipende dalla fiducia, dalla trasparenza e dalla preferenza per un approccio che integri l'IA con il coinvolgimento umano, mentre la prontezza ad adottarla è influenzata positivamente dalle competenze digitali e negativamente dal basso livello di istruzione.
Questo studio presenta un modello ibrido SARIMA-CNNAR che, analizzando i dati sulla tubercolosi in Nepal dal 2015 al 2024, ha dimostrato una precisione di previsione superiore rispetto ad altri metodi avanzati, fornendo uno strumento fondamentale per la pianificazione sanitaria e l'allocazione delle risorse.
MedOS è un modello di mondo incarnato basato sull'IA che unisce il ragionamento clinico astratto all'intervento fisico, simulando procedure mediche e riducendo il divario prestazionale tra medici junior e senior per democratizzare l'expertise clinica.
Questo studio dimostra la fattibilità tecnica di un sistema completamente automatizzato per la generazione di revisioni sistematiche tramite intelligenza artificiale, che in una valutazione cieca ha ottenuto punteggi di qualità superiori a una revisione umana, pur evidenziando limiti critici come la ripetitività e la necessità di nuove normative per garantire l'integrità scientifica.