📄 Category

health informatics

159 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.

An End-to-End Synthetic Oncology Clinical Trial Framework Integrating Radiographic Response, Circulating Tumor DNA, Safety, and Survival for Decision-Oriented Clinical Data Science

Questo studio presenta un framework end-to-end per la generazione di dati sintetici di un trial oncologico di fase II che integra risposte radiografiche, DNA tumorale circolante, sicurezza e sopravvivenza, dimostrando la capacità di riprodurre segnali di efficacia e sicurezza biologicamente plausibili e coerenti per supportare il processo decisionale nella scienza dei dati clinici traslazionale.

Petalcorin, M. I. R.2026-04-08📄 health informatics

Using Relative Risk Rankings to Understand Information Differences in Multimodal Prediction Models

Lo studio dimostra che sostituire le immagini radiografiche con i relativi referti scritti compromette la capacità predittiva dei modelli multimodali sulla mortalità post-dimissione, poiché i report clinici non catturano tutte le informazioni prognostiche visive presenti nelle immagini originali.

Kim, C., Yoon, W., Lee, H., Lee, J.-O., Afshar, M., Kang, J., Miller, T. A.2026-04-07📄 health informatics

Who is leading medical AI? A systematic review and scientometric analysis of chest x-ray research

Questa revisione sistematica e analisi scientometrica evidenzia come la ricerca sull'IA per le radiografie toraciche sia dominata da paesi ad alto reddito e da dataset non rappresentativi, creando rischi di disuguaglianze cliniche che richiedono collaborazioni internazionali più eque e dati globalmente inclusivi.

Vasquez-Venegas, C., Chewcharat, A., Kimera, R., Kurtzman, N., Leite, M., Woite, N. L., Muppidi, I. J., Muppidi, R. J., Liu, X., Ong, E. P., Pal, R., Myers, C., Salzman, S., Patscheider, J. S., John (…)2026-04-07📄 health informatics

Attitudes and Perceptions Toward the Use of Artificial Intelligence Chatbots for Peer Review in Medical Journals: A Large-Scale, International Cross-Sectional Survey

Uno studio trasversale internazionale rivela che, sebbene la maggior parte dei revisori di riviste mediche sia familiare con i chatbot di intelligenza artificiale, il loro utilizzo nella revisione paritaria rimane limitato a causa di preoccupazioni etiche e di integrità, evidenziando al contempo un forte interesse per una formazione specifica.

Ng, J. Y., Bhavsar, D., Dhanvanthry, N., Bouter, L., Chan, T., Cramer, H., Flanagin, A., Iorio, A., Lokker, C., Maisonneuve, H., Marusic, A., Moher, D.2026-04-07📄 health informatics

Perioperative Mortality Prediction Using a Bayesian Ensemble with Prevalence-Adaptive Gating

Questo studio presenta un ensemble bayesiano adattivo alla prevalenza, potenziato da un'autoencoder variazionale per bilanciare i dati, che ha raggiunto una sensibilità del 100% e zero falsi positivi nella validazione e un'accurata audit clinica per la previsione della mortalità perioperatoria, integrando l'incertezza quantificata tramite entropia di Shannon per un triage sicuro.

Pandey, A. K.2026-04-06📄 health informatics

Citation Hallucination Determines Success: An Empirical Comparison of Six Medical AI Research Systems

Lo studio introduce MedResearchBench per valutare sei sistemi di ricerca medica basati sull'IA, rivelando che l'integrità delle citazioni è il fattore determinante per il successo e dimostrando come un framework di verifica multi-agente possa correggere le allucinazioni e migliorare significativamente l'affidabilità rispetto alle valutazioni tradizionali basate su singoli modelli.

Shi, X., Tian, Z., Tan, S., Wang, X.2026-04-04📄 health informatics

Multi-Task Learning and Soft-Label Supervision for Psychosocial Burden Profiling in Cancer Peer-Support Text

Lo studio dimostra che l'apprendimento multi-task focalizzato esclusivamente sulla previsione del carico psicosociale complessivo è più efficace per l'analisi dei testi di supporto tra pazienti oncologici rispetto all'aggiunta di compiti ausiliari o all'uso di supervisione tramite etichette morbide derivate da modelli linguistici.

Wang, Z., Cao, Y., Shen, X., Ding, Z., Liu, Y., Zhang, Y.2026-04-04📄 health informatics

A Reproducible Health Informatics Pipeline for Simulating and Integrating Early-Phase Oncology Clinical, Biomarker, and Pharmacokinetic Data for Exploratory Decision-Support Analytics

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.

Petalcorin, M. I. R.2026-04-02📄 health informatics

Development and Temporal Evaluation of Multimodal Machine Learning Models to Predict High Inpatient Opioid Exposure

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.

Kale, S., Singh, D., Truumees, E., Geck, M., Stokes, J.2026-04-02📄 health informatics

Self-Reported Symptoms Enable Four-Phase Menstrual Cycle Classification with Hormonally Validated Labels

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.

Specht, B., Tayeb, Z. Z., Garbaya, S., Khadraoui, D., EL-Khozondar, M., Schneider, R.2026-04-01📄 health informatics