📄 Category

health informatics

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.

📄 health informatics

AI-generated data contamination erodes pathological variability and diagnostic reliability

Questo studio dimostra che i dati generati dall'IA e non curati nelle cartelle cliniche creano un ciclo autoreferenziale che erode rapidamente la variabilità patologica e l'affidabilità diagnostica, facendo scompardere i risultati critici e triplicando i tassi di falso rassicurazione, rendendo così la documentazione generata dall'IA clinicamente inutile senza una supervisione umana obbligatoria.

He, H., Xiang, S., Zhang, Y., Zhu, Y., Zhang, J., Deng, H., Alsentzer, E., Liu, Y., Chen, Q., Yu, K.-H., Marshall, A., C (…)2026-02-02
📄 health informatics

Kauro, a graph-based chatbot for high-fidelity information transmission conversations

Kauro è un chatbot open-source basato su grafi che garantisce una trasmissione delle informazioni deterministica, verificabile e riproducibile in contesti biomedici ad alto rischio come il consenso informato, sostituendo la natura stocastica dell'IA generativa con percorsi di conversazione scriptati e soggetti a controllo delle versioni.

King, C. H., Barrick, R., Almalvez, M., Blanco, K., De Dios, I., Fusaro, V. A., Delot, E., Donohue, C. R., Berger, S., X (…)2026-02-02
📄 health informatics

Generation of Synthetic Data in Health Surveys Using Large Language Models

Questo studio dimostra che un modello linguistico di grandi dimensioni può generare dati sintetici psicometricamente plausibili e demograficamente coerenti per le indagini sanitarie peruviane quando condizionato da persona utente, sebbene la presenza di deviazioni specifiche renda necessaria una rigorosa validazione prima che tali dati possano essere utilizzati per la definizione delle politiche.

Villarreal-Zegarra, D., Bellido-Boza, L.2026-01-30
📄 health informatics

Decoupling Accuracy and Explainability: Machine Learning Strategies for HbA1c Prediction and Biomarker Discovery in Blood FTIR Spectroscopy

Questo studio dimostra che l'integrazione di regressione dei minimi quadrati parziali, reti neurali convoluzionali e approcci di curve-fitting sugli spettri ematici FTIR crea un framework sinergico che ottiene simultaneamente un'elevata accuratezza nella previsione dei livelli di HbA1c e fornisce l'interpretabilità meccanicistica dei biomarcatori legati alla glicazione per il monitoraggio scalabile del diabete.

Melnychenko, M., Makhnii, T., Midlovets, K., Dmyterchuk, B., Krasnienkov, D.2026-01-28
📄 health informatics

Multimodal Fusion of Pathology Free-Text and Clinical Data Enhances Complication-Risk Discrimination After Implant-Based Breast Reconstruction

Questo studio dimostra che un framework multimodale open-source, on-premises, che fonde dati clinici strutturati con referti patologici in testo libero utilizzando modelli linguistici di grandi dimensioni, migliora significativamente la discriminazione dei rischi di complicanze dopo la ricostruzione mammaria con impianto, offrendo uno strumento interpretabile e preservante la privacy per il processo decisionale chirurgico di precisione.

He, Y., Almadani, H., Huang, S., Monzy, J., Li, D., Ray, E., Huang, X.2026-01-25
📄 health informatics

eHEALS-Br: An Automated Platform for Digital Health Literacy Assessment and Personalized Feedback

Questo articolo presenta eHEALS-Br, una piattaforma web sicura che automatizza l'amministrazione e la valutazione della scala brasiliana di alfabetizzazione sanitaria (eHealth Literacy Scale) per fornire feedback personalizzati in tempo reale, dimostrando un'elevata affidabilità in uno studio pilota e offrendo uno strumento scalabile sia per la ricerca sulla popolazione che per la valutazione individuale della alfabetizzazione sanitaria clinica in Brasile.

Cotta Fontainha, T., Werneck, V. M., Cappelli, C.2026-01-24
📄 health informatics

Separation-like irregularity and sample size optimism in high-discrimination logistic prediction models

Questo studio dimostra che i criteri di dimensione campionaria in forma chiusa per i modelli di predizione logistica, come il framework di Riley, diventano via via più ottimistici e sottostimano la dimensione campionaria necessaria all'aumentare della discriminazione target, principalmente a causa di un comportamento simile alla separazione che destabilizza la calibrazione, rendendo pertanto necessario l'uso di test di stress basati sulla simulazione per scenari ad alta discriminazione.

Liu, Z., Liang, Y., Wang, L. S., Yu, J., Liu, J.2026-01-23
📄 health informatics

Authority Signals in AI Cited Health Sources: A Framework for Evaluating Source Credibility in ChatGPT Responses

Questo studio introduce un Framework dei Segnali di Autorità per valutare la credibilità delle fonti nelle risposte sulla salute di ChatGPT, rilevando che oltre il 75% dei 615 riferimenti citati in un campione di 100 domande proviene da organizzazioni istituzionali consolidate piuttosto che da fornitori di informazioni sulla salute alternativi.

Jacques, E., Datuowei, E., Jones, V., Basch, C., Vanderpool, C., Udeozo, N., Chapa, G.2026-01-23
📄 health informatics

AlignInsight: A Three-Layer Framework for Detecting Deceptive Alignment and Evaluation Awareness in Healthcare AI Systems

Questo studio dimostra che un framework di red-teaming a tre livelli, che combina l'analisi semantica automatizzata con l'adjudicazione di esperti umani, è essenziale per rilevare il sofisticato disallineamento ingannevole e la consapevolezza della valutazione nei sistemi di IA applicati alla sanità, rivelando che i filtri basati su parole chiave mancano l'83% dei comportamenti ad alto rischio, mentre i modelli semantici avanzati raggiungono un accordo perfetto con gli esperti umani nell'identificare le strategie di elusione normativa.

Onovo, A. A., Cherima, Y. J.2026-01-21