199 articoli
Questo articolo presenta un framework basato su modelli linguistici di grandi dimensioni (LLM) che automatizza l'armonizzazione dei dati clinici SDTM tra diversi studi e abilita l'interrogazione tramite linguaggio naturale, riducendo significativamente lo sforzo manuale e accelerando l'analisi esplorativa nella ricerca clinica.
Questo studio dimostra che i modelli linguistici di grandi dimensioni istruiti possono selezionare in modo efficace e affidabile, basandosi esclusivamente sulle descrizioni testuali delle variabili di un sondaggio, i predittori dell'inizio del consumo di sistemi di erogazione elettronica di nicotina tra gli adolescenti, ottenendo prestazioni predittive superiori o comparabili a quelle dei modelli tradizionali.
Utilizzando dati multimodali del programma "All of Us", lo studio ha sviluppato un modello di sopravvivenza interpretabile che integra caratteristiche cliniche e genetiche per migliorare la stratificazione del rischio di cirrosi, carcinoma epatocellulare e mortalità nei pazienti con epatite C cronica, superando i limiti della sola stadiazione della fibrosi.
Questo studio analizza i dati del National COVID Cohort Collaborative per valutare l'efficacia di modelli di machine learning nella previsione della mortalità e della durata della degenza ospedaliera per pazienti con COVID-19, concludendo che le variabili strutturate dei registri elettronici offrono una discriminazione moderata per la mortalità ma sono insufficienti per prevedere la durata della degenza, evidenziando inoltre il compromesso tra discriminazione e calibrazione nell'uso della tecnica SMOTE per gestire lo squilibrio delle classi.
Questo studio dimostra che è possibile estrarre con alta precisione lo stato di utilizzo della cannabis e le relative motivazioni dai registri clinici elettronici di pazienti con malattie reumatiche autoimmuni, combinando modelli linguistici clinici affinati e classificatori basati su grandi modelli linguistici.
Questo studio di coorte dimostra che il modello di cura ibrida "Digital Clinic", che combina terapia cognitivo-comportamentale virtuale con un'app mobile, riduce in modo statisticamente significativo i sintomi di ansia e depressione nelle donne in gravidanza e nel periodo postpartum.
Questo studio qualitativo evidenzia il potenziale delle tecnologie mobile per migliorare il monitoraggio longitudinale della mielopatia spondilotica cervicale, basandosi sulle prospettive di pazienti e fornitori di cure che ne sottolineano la necessità di strumenti più precisi e oggettivi, pur richiedendo un'integrazione attenta e centrata sull'utente.
Questo studio presenta un framework di deep learning multimodale che combina immagini MRI e dati clinici testuali tramite un modello linguistico e un sistema di attenzione incrociata per migliorare l'accuratezza nella predizione preoperatoria del carcinoma della tiroide rispetto ai metodi unimodali.
Questo studio analizza le disparità nel tempo di utilizzo dei dispositivi indossabili tra diverse popolazioni, evidenziando come le soglie di conformità standard possano escludere in modo sproporzionato i dati di gruppi svantaggiati o affetti da patologie, e propone un quadro metodologico flessibile per mitigare tali bias e promuovere l'equità nella ricerca sanitaria digitale.
Il modello CHARIOT, sviluppato e validato internamente su 19 milioni di adulti britannici, combina analisi di sopravvivenza e inferenza causale per prevedere in modo personalizzato la riduzione del rischio cardiovascolare a 10 anni in seguito a specifiche interventi terapeutici e modifiche dello stile di vita, offrendo uno strumento pubblico e interattivo per la prevenzione clinica su larga scala.
Uno studio quasi-sperimentale longitudinale ha dimostrato che l'adozione di un trascrittore AI ambientale in ambito di medicina generale porta a un miglioramento graduale ma persistente nel tempo, riducendo il carico di documentazione e il lavoro svolto fuori orario, mentre aumenta la produttività finanziaria dopo 150 giorni di utilizzo.
Il documento presenta il TDA Engine v2.1, un framework computazionale basato sulla topologia che rileva e classifica le lacune strutturali nei dati epidemiologici censurati distinguendo tra assenze casuali e soppressione sistemica attraverso analisi temporali e inferenza causale.
Questo studio dimostra che la decomposizione interna dei ruoli in sistemi multi-agente basati su LLM agisce come un pregiudizio induttivo strutturato in grado di modificare significativamente le distribuzioni degli errori e i compromessi tra sensibilità e specificità nelle classificazioni cliniche, senza alterare i parametri del modello sottostante.
Questo studio presenta un quadro sistematico di valutazione avversariale per l'IA medica, rivelando che, sebbene i modelli linguistici siano generalmente robusti, rimangono vulnerabili alla manipolazione tramite impersonificazione di autorità (in particolare in contesti educativi), il che evidenzia la necessità di migliorare le difese basate sul contesto piuttosto che sulla sola accuratezza fattuale.
Lo studio dimostra che, sebbene i grandi modelli linguistici eccelcano nelle applicazioni mediche, la loro comprensione dei concetti clinici è frammentata e spesso incompleta, evidenziando la necessità di valutazioni basate su ontologie per colmare il divario tra prestazioni applicative e comprensione concettuale reale.
Questo studio presenta un framework ibrido che combina l'iterativa pulizia delle etichette tramite clustering e XGBoost con un modello di deep learning Conv+BiLSTM per migliorare l'accuratezza della diagnosi di prediabete utilizzando i dati del monitoraggio continuo del glucosio, riducendo significativamente il rumore nelle etichette e ottenendo un'alta capacità discriminativa.
Uno studio su oltre 1,8 milioni di pazienti chirurgici dimostra che l'applicazione di tecniche di correzione dello squilibrio delle classi nei modelli di intelligenza artificiale, pur migliorando alcune metriche di classificazione, compromette gravemente la calibrazione delle previsioni portando a una sovrastima dei rischi clinici e riducendo il beneficio netto rispetto all'uso della distribuzione naturale dei dati.
Lo studio dimostra che l'obbligo di fornire citazioni testuali verificabili nei modelli linguistici per l'elaborazione di testi biomedici crea una tracciabilità automatica e aumenta la fiducia nelle previsioni selezionate, sebbene a scapito di una copertura leggermente ridotta e con variazioni dipendenti dal modello specifico.
Questo studio analizza un anno di dati da dispositivi indossabili e valutazioni ecologiche di 3.139 partecipanti per dimostrare che i fattori che influenzano l'umore variano notevolmente tra gli individui, portando allo sviluppo di MoodDriver, un sistema basato su modelli linguistici su larga scala che fornisce feedback personalizzati per migliorare il benessere mentale.
Questo studio presenta un framework di pronto impiego che integra alberi di effetti causali e analisi di calibrazione per distinguere l'eterogeneità clinicamente affidabile da quella rumorosa, trasformando l'apprendimento automatico causale in un sistema di supporto decisionale validato per la selezione personalizzata dei trattamenti in ambito perioperatorio.