193 articoli
Questo articolo presenta il corpus SREDH-AICup, un dataset di parlato clinico annotato con informazioni sensibili alla salute in inglese e mandarino, creato per colmare la carenza di risorse pubbliche e supportare la ricerca sulla de-identificazione automatica delle registrazioni mediche.
Questo studio presenta un flusso di lavoro informatico sanitario riproducibile basato su Python che simula e integra dati clinici, di biomarcatori e farmacocinetici di un trial oncologico di fase precoce per generare dataset pronti all'analisi, visualizzazioni e modelli predittivi esplorativi a supporto del processo decisionale.
Questo studio ha sviluppato e valutato temporalmente modelli di apprendimento automatico multimodali, che integrano dati strutturati e note cliniche, per prevedere con alta accuratezza l'esposizione agli oppioidi nei pazienti ricoverati, al fine di supportare strategie mirate di gestione del dolore.
Il paper presenta il Time-Aware G-Transformer, un modello che combina la computazione causale G con un'attenzione temporale per prevedere con maggiore precisione gli effetti dei trattamenti su dati clinici irregolari e eterogenei, superando i limiti dei metodi esistenti.
Questo studio misto, condotto su medici ed esperti tecnici in Africa occidentale, evidenzia la forte preferenza per organismi di regolamentazione indipendenti, la trasparenza algoritmica e percorsi di responsabilità chiari come pilastri fondamentali per una governance sicura ed equa dell'intelligenza artificiale nella pratica clinica.
Questo studio dimostra che un modello ibrido che combina un classificatore basato su gradient boosting e un modello semi-Markov nascosto può classificare con successo le quattro fasi del ciclo mestruale utilizzando esclusivamente sintomi auto-segnalati, offrendo una soluzione a basso carico e priva di dispositivi per il monitoraggio della salute riproduttiva.
Questo studio pilota prospettico ha dimostrato che DR. INFO, un assistente clinico basato su intelligenza artificiale agenziale, ha generato un elevato risparmio di tempo e supporto decisionale per i medici, ottenendo un punteggio di soddisfazione (NPS) di 81,2 senza detrattori.
Il paper introduce MedScope, un benchmark leggero e open-source che valuta in modo sistematico e multidimensionale le prestazioni di modelli linguistici di grandi dimensioni open-source su domande mediche, evidenziando la loro utilità come baseline trasparenti ma anche le attuali limitazioni per il dispiegamento autonomo in contesti sanitari ad alto rischio.
Questo studio evidenzia un marcato squilibrio settoriale nella governance della condivisione dei dati degli studi clinici nell'UE, dove gli sponsor privati offrono documenti più dettagliati e operativi rispetto agli sponsor pubblici, i quali tendono a fornire impegni di alto livello privi di linee guida specifiche per i trial.
Questo studio presenta e valuta un pipeline multi-stadio che combina un classificatore di token fine-tuned (Bio-ClinicalBERT) con la revisione di un modello linguistico su larga scala (LLM) per estrarre con precisione e scalabilità le informazioni relative ai 4M (Cosa conta, Medicinali, Stato Mentale e Mobilità) dai messaggi di testo clinici non strutturati degli ospizi di cura, superando le prestazioni dei modelli esistenti e abilitando applicazioni di monitoraggio e qualità assistenziale.
Questo studio dimostra che l'utilizzo di piccoli modelli linguistici (SLM) consente di estrarre in modo efficiente e rispettoso della privacy dati longitudinali, come la creatinina sierica, dalle note cliniche non strutturate dei pazienti affetti da malattie renali rare, superando le prestazioni dei metodi basati su regole.
Il paper presenta MedResearchBench, il primo benchmark multi-dominio progettato per valutare le capacità degli agenti di ricerca AI nello svolgere studi clinici medici complessi, coprendo sette aree specialistiche e sei dimensioni di valutazione specifiche per garantire risultati pubblicabili e clinicamente validi.
Il paper presenta BSOAD, la prima ontologia sviluppata per rappresentare e armonizzare sistematicamente i fattori comportamentali e sociali nel contesto della demenza, integrando fonti eterogenee e validando il modello tramite revisione esperta e valutazione assistita da intelligenza artificiale.
Questo articolo presenta il VaaS, una pipeline multi-strato che riduce drasticamente le allucinazioni nelle sintesi scientifiche assistite dall'IA, raggiungendo un tasso di errore vicino allo zero e costi inferiori a un dollaro per gene attraverso validazioni rigorose su database di malattie rare.
Il paper presenta ClinicalTAAT, un modello transformer consapevole del tempo che supera le limitazioni delle tecniche di process mining tradizionali generando rappresentazioni interpretabili e specifiche per il paziente da sequenze cliniche complesse, permettendo così una valutazione e ottimizzazione più efficace dei percorsi di cura.
Il progetto SwissPedGrowth ha dimostrato la fattibilità dell'estrazione di dati antropometrici di alta qualità dai registri elettronici di ospedali pediatrici svizzeri, sebbene permangano sfide relative alla completezza e all'armonizzazione dei dati tra le diverse strutture.
Questo studio introduce un nuovo sistema diagnostico e una tassonomia di fallimenti per rivelare la "dissociazione accesso-stabilità" nei modelli linguistici durante il processo decisionale clinico sequenziale, dimostrando come l'uso di un'impalcatura strutturata (SIPS) renda visibili e misurabili le patologie del ragionamento, trasformando l'audit da una semplice valutazione di accuratezza a un'analisi meccanicistica della sicurezza e della trasparenza dell'IA.
Il paper presenta MOE-ECG, un innovativo framework di fusione di ensemble multi-obiettivo che ottimizza simultaneamente le prestazioni predittive e la diversità dei modelli per rilevare in modo robusto e accurato la fibrillazione atriale da segnali ECG, superando i limiti degli approcci automatizzati esistenti.
Questo studio dimostra che un flusso di lavoro di pre-screening assistito da un modello linguistico di grandi dimensioni (LLM) con supervisione umana ha raggiunto elevate prestazioni e bassi costi nel valutare l'idoneità dei pazienti per numerosi trial clinici diversi, migliorando l'efficienza grazie a un sistema di apprendimento automatico basato sul feedback dei coordinatori.
Il paper propone HealthFormer, un modello Transformer a doppio livello che integra la struttura degli eventi clinici e le dipendenze temporali a lungo termine dai registri sanitari elettronici irregolari, ottenendo rappresentazioni trasferibili che superano i metodi tradizionali nella previsione di tumori incidenti.