239 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 dimostra che l'analisi tramite machine learning dei cambiamenti dinamici basali e precoci nei profili immunitari periferici, piuttosto che i conteggi assoluti dopo due cicli, può predire gli esiti di sopravvivenza nei pazienti con carcinoma polmonare a piccole cellule in stadio esteso trattati con immunochemioterapia.
Questo articolo introduce PCGS, un framework di reti neurali grafiche spiegabili che integra dati omici multi-modali e clinici per identificare biomarcatori e gruppi di rischio per tumori pediatrici come il glioma e il tumore di Wilms, sfruttando i valori di Shapley per l'attribuzione delle caratteristiche.
Questo studio fattoriale dimostra che, nelle interazioni tra utenti e modelli linguistici di grandi dimensioni in ambito medico, gli utenti sono leggermente più propensi ad adottare suggerimenti errati provenienti da una fonte con un titolo specialistico ma con bassa accuratezza dichiarata rispetto a un modello con profilo di studente con alta accuratezza dichiarata, evidenziando che le revisioni delle risposte a seguito di contestazioni da parte dell'utente non dovrebbero essere trattate automaticamente come secondi pareri indipendenti.
Un'analisi dei dati clinici di routine provenienti da un grande ospedale del Regno Unito rivela che gli adulti con molteplici patologie croniche sperimentano percorsi di assistenza non programmati più complessi, inclusi degenze più lunghe, una mortalità più elevata e diversi modelli di trasferimento nei reparti rispetto a coloro che non presentano tali condizioni, suggerendo che possano ricevere cure subottimali.
Lo studio introduce DXA Agent, un workflow agentico che ottimizza la modellazione della densità minerale ossea bilanciando le prestazioni predittive con l'onere della misurazione, dimostrando che i modelli efficienti dal punto di vista dei costi superano gli approcci convenzionali nel UK Biobank pur mantenendo risultati comparabili in NHANES.
Questo studio randomizzato a metodi misti rivela che la fiducia e la preferenza degli oncologi per le revisioni della letteratura generate dall'IA dipendono più dalle caratteristiche di progettazione del report — come la concisione, le citazioni verificabili e l'incertezza esplicita — che dalla sola accuratezza, come dimostrato dai rating di utilità significativamente inferiori per i report con grado di evidenza rispetto ai formati standard, nonostante una qualità dei riferimenti simile.
Questo studio dimostra che un encoder DistilBERT ottimizzato e computazionalmente efficiente è una soluzione più percorribile ed economica per il rilevamento delle auto-riparazioni nel parlato spontaneo per lo screening clinico rispetto ai grandi LLM generativi, i quali variano significativamente in termini di prestazioni e sensibilità al prompt.
Questo studio presenta e valida ET-Emb, un nuovo framework di intelligenza artificiale multimodale che integra dati clinici strutturati con embedding di testo non strutturato per prevedere accuratamente strategie di trattamento personalizzate e ottimali per i pazienti affetti da carcinoma epatocellulare.
Questo articolo dimostra che le politiche di apprendimento per rinforzo offline per la gestione della sepsi in terapia intensiva mantengono segnali di supporto decisionale stabili e sensibili alle azioni sotto crescenti spostamenti di gravità fuori distribuzione, come dimostrato da tassi di sopravvivenza previsti dal modello coerenti e da punteggi di stabilizzazione fisiologica migliorati nonostante il declino degli esiti clinici osservati.
Questo articolo valuta l'estrazione di concetti clinici e il collegamento terminologico basato su evidenze attraverso uno studio pilota multisito, dimostrando che, sebbene le prestazioni di estrazione varino significativamente in base ai criteri di corrispondenza, la disponibilità delle evidenze recuperate influenza criticamente le decisioni di collegamento e che i termini inizialmente non corrispondenti rappresentano spesso concetti esistenti plausibili piuttosto che vere novità ontologiche.