📄 Category

health informatics

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.

📄 health informatics

Counterfactual Analysis of Executable Clinical Decision Logic

Questo articolo propone un framework ibrido di supporto alle decisioni che integra l'apprendimento per ensemble di regole pesato su sondaggio con il Decision Model and Notation (DMN) per trasformare le raccomandazioni cliniche narrative in una logica auditabile ed eseguibile, dimostrando la sua capacità di classificare lo stato del diabete e quantificare la sensibilità del rischio del paziente rispetto a ipotetiche riduzioni del BMI in una coorte derivata da NHANES.

Maleki, C., Bertrand, Y., Gailly, F.2026-08-07
📄 health informatics

Quantifying User Engagement with the Helpilepsy Seizure Diary

Questo articolo introduce una metrica di coinvolgimento multidimensionale per il diario delle crisi Helpilepsy, utilizzando l'analisi del clustering per identificare distinti gruppi di utenti e rivelando che i pazienti altamente coinvolti sono tipicamente più anziani, con storie di epilessia più lunghe e regimi farmacologici più complessi, evidenziando così la necessità di strategie di onboarding mirate per i nuovi pazienti e l'importanza di utilizzare diverse funzionalità del diario oltre alla semplice registrazione delle crisi.

Davies, J., Biondi, A., Viana, P. F., Ampe, L., Schreiber, J., Richardson, M. P.2026-08-07
📄 health informatics

Towards understanding the disease landscape of clinical trials in Germany: Ontology and embedding-based pipelines versus Large Language Models for ICD-10 Harmonization

Questo studio dimostra che, sebbene un'ontologia deterministica e una pipeline basata su embedding possano armonizzare parzialmente i dati eterogenei sulle condizioni delle sperimentazioni cliniche in Germania con gli standard ICD-10, i Large Language Models (specificamente GPT-4o) superano significativamente tale approccio raggiungendo un accordo quasi perfetto con la codifica esperta umana, offrendo così una soluzione superiore per l'analisi del panorama delle malattie tra i diversi registri.

Ndabashinze, R., Franzen, D., Kozuch, E., Aagerup, J., Fink, A., Yerunkar, S. S., Hunter, K., Mayo-Wilson, E., Ying, X. (…)2026-08-06
📄 health informatics

Is Lower Limb Movement Enough? Quantifying Overground Arm Swing Kinematics and Coordination to Assess Ageing Decline in Older Adults

Questo studio valida un algoritmo basato su sensori indossabili per quantificare la cinematica e la coordinazione del movimento delle braccia durante la deambulazione in anziani, rivelando che la coordinazione braccio-gamba è una dimensione distinta e sensibile della stabilità del cammino che declina con la fragilità e il deterioramento neurologico, offrendo così un metodo scalabile per rilevare l'instabilità motoria precoce oltre i tradizionali parametri della velocità del cammino.

Tan, K. Z., Pai, S., Kim, Y. K., Frautschi, A., Gwerder, M., Tan, K. Y., Koh, V. J. W., Ravi, D., Taylor, W. R., Malhotr (…)2026-08-05
📄 health informatics

Digital Health Adoption, eHealth Literacy, and Trust in AI Among Generation Z University Students in Sri Lanka: An Empirical Study

Questo studio rivela che, sebbene gli studenti universitari della Generazione Z in Sri Lanka possiedano un'elevata eHealth literacy e si affidino sempre più all'IA per le informazioni sulla salute, l'adozione dei servizi di sanità digitale rimane limitata da significativi timori relativi alla privacy e da una persistente preferenza per le consultazioni tradizionali faccia a faccia.

Athukorala, S. C.2026-07-28✓ Author reviewed ⓘ
📄 health informatics

A digital health approach for identifying polyendocrine metabolic ovarian syndrome using machine learning and body temperature

Questo studio dimostra la fattibilità dell'uso di modelli di apprendimento automatico applicati ai dati della temperatura rilevati da dispositivi indossabili per predire moderatamente la Sindrome Poliendocrina Metabolica Ovarica (PMOS), suggerendo un potenziale strumento di screening digitale passivo per l'identificazione di casi non diagnosticati.

Awoniran, O. M., Lawlor, D. A., Gaunt, T. R., Millard, L. A. C.2026-07-27
📄 health informatics

Development and formative application of the Health Data Readiness Level framework for federated health-data services.

Questo articolo presenta lo sviluppo e l'applicazione formativa del framework Health Data Readiness Level (HDRL), uno strumento multidimensionale progettato per valutare la prontezza organizzativa e sistemica per i servizi di dati sanitari federati in tre ecosistemi del Regno Unito, avvertendo al contempo che esso rimane uno strumento di pianificazione piuttosto che uno standard di accreditamento validato.

Seymour, D., Halliday, R., Smart, J., Burns, F.2026-07-27
📄 health informatics

Sex and menstrual cycle differences in the mood-activity association should inform cycle-aware digital phenotyping

Questo studio dimostra che la relazione tra attività fisica e umore varia significativamente in base al sesso e alla fase del ciclo mestruale, in particolare nelle donne, indicando che i modelli di fenotipizzazione digitale devono tenere conto di questi fattori biologici per evitare previsioni distorte e consentire approfondimenti personalizzati sulla salute mentale.

Delray, K., Zeitler, J. K., Hayes, J. F., Kandola, A., Keay, N., Evans, R. J.2026-07-27
📄 health informatics

Selective prediction as a triage gate for primary-care depression screening: quantifying and mitigating selection bias in CHARLS-2011

Questo studio dimostra che il bias di selezione cumulativo nello screening della depressione nell'assistenza primaria gonfia le metriche del machine learning pur distorcendo le associazioni epidemiologiche, e propone un framework di predizione selettiva disaccoppiata utilizzando una regola CART a quattro variabili per selezionare in sicurezza solo il 20% dei pazienti più affidabili per la valutazione algoritmica, indirizzando il resto verso la valutazione umana.

Wang, Z., liu, y.2026-07-22