191 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.
Lo studio dimostra che i modelli fondazione auto-supervisionati come Wav2Vec 2.0 possono stimare con elevata precisione il genere e correlare l'età nel discorso patologico di pazienti con Parkinson, pur evidenziando limitazioni specifiche legate al tipo di compito vocale.
Uno studio trasversale internazionale su 716 ricercatori di medicina tradizionale, complementare e integrativa rivela che, sebbene la maggior parte riconosca il potenziale dei chatbot di intelligenza artificiale generativa per ridurre il carico di lavoro e aumentare l'efficienza, emerge un forte bisogno di formazione e preoccupazioni riguardo a bias ed errori, sottolineando la necessità di politiche istituzionali adeguate.
Questo studio evidenzia come un assistente sanitario AI basato su RAG sviluppato per i servizi di benessere finlandesi manifesti pregiudizi di genere significativi e clinicamente rilevanti, fra cui una diversa urgenza di trattamento e l'associazione inappropriata di sintomi al genere femminile, a causa di stereotipi sociali che influenzano sia la generazione che il recupero delle informazioni.
Questo studio retrospettivo ha dimostrato che è possibile prevedere con alta accuratezza le visite ambulatoriali mancate o annullate negli Stati Uniti utilizzando dati reali dei registri elettronici sanitari e modelli di machine learning, in particolare l'algoritmo XGBoost.
Questo studio prospettico dimostra che una piattaforma basata su blockchain e token Soulbound permette di aggregare rapidamente ed economicamente le opinioni di esperti spinali globali, rivelando una significativa variabilità nelle pratiche cliniche e validando la coerenza dei dati raccolti per migliorare i modelli predittivi sul trattamento del mal di schiena.
Il paper presenta Fmpi, un nuovo framework digitale per la rilevazione individuale e in tempo reale dei potenziali evocati che, modellando analiticamente il rumore di fondo, offre prestazioni superiori o pari ai metodi esistenti con costi computazionali ridotti e la capacità di terminare precocemente le registrazioni non informative.
Questo studio presenta un approccio di ensemble machine learning per la farmacovigilanza che, analizzando i dati FAERS su Losartan, identifica con successo segnali di "assurdità" (eventi avversi rari ma clinicamente significativi) solitamente scartati dai metodi statistici tradizionali, migliorando così la rilevazione precoce delle reazioni avverse ai farmaci.
Questo studio presenta e convalida un pipeline di generazione di dati sintetici per un registro multicentrico di chirurgia spinale, dimostrando che tale metodologia, ancorata alla blockchain per la tracciabilità, soddisfa rigorosi criteri di fedeltà, privacy e utilità, facilitando così la condivisione sicura dei dati per la ricerca e lo sviluppo dell'intelligenza artificiale.
Questo studio dimostra che la decomposizione spaziale delle mappe longitudinali dello strato delle fibre nervose retiniche rivela sei distinti modelli di progressione del glaucoma, caratterizzati da firme strutturali, funzionali e genetiche uniche che vengono mascherate dalle tradizionali medie globali.
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.