📄 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.

The Risk Factors, Detection and Classification of Esophageal Cancer Using Ensemble Machine Learning Models

Questo studio presenta un framework di apprendimento automatico ensemble, basato su un approccio multi-seed e sull'analisi dei fattori di rischio socio-demografici, dietetici e ambientali in Etiopia, che ha raggiunto un'accuratezza del 98,3% e una sensibilità del 100% nella rilevazione precoce del cancro esofageo, offrendo una soluzione diagnostica affidabile per contesti sanitari con risorse limitate.

Gaso, M. S., Mekuria, R. R., Cankurt, S., Deybasso, H. A., Abdo, A. A., Abbas, G. H.2026-03-11📄 health informatics

Co-designing a virtual reality based mindfulness application to address diabetes distress using Artificial Intelligence-informed Experience-Based Co-Design (AI-EBCD): a feasibility study

Questo studio di fattibilità descrive come la co-progettazione informata dall'intelligenza artificiale abbia guidato lo sviluppo di un'applicazione di realtà virtuale per la mindfulness, mirata ad alleviare il disagio legato al diabete attraverso un design personalizzato e culturalmente appropriato.

Ghosal, S., Zhang, M., Stanmore, E., Sturt, J., Bogosian, A., Woodcock, D., Milne, N., Mubita, W., Robert, G., O'Connor, S.2026-03-11📄 health informatics

Regression vs. Medical LLMs: A Comprehensive Study for CVD and Mortality Risk Prediction

Questo studio confronta modelli di regressione tradizionali e avanzati con grandi modelli linguistici medici (MedLLM) sul dataset LURIC, dimostrando che sia le tecniche di boosting come CatBoost sia i MedLLM ottimizzati raggiungono prestazioni competitive (fino all'85% di AUROC) nella previsione del rischio cardiovascolare e della mortalità, sebbene i modelli linguistici richiedano calibrazione per correggere una sistematica sovrastima del rischio.

KOM SANDE, S. D., Skorski, M., Theobald, M., Schneider, J., Marz, W.2026-03-11📄 health informatics

Variability in Automated Sepsis Case Detection: A Systematic Analysis of Implementation Methods in Clinical Data Repositories

Questa revisione sistematica evidenzia come la significativa eterogeneità nei metodi di implementazione computazionale porti a tassi di rilevamento della sepsi drasticamente diversi negli stessi dataset, sottolineando l'urgente necessità di standardizzare la reportistica metodologica e pubblicare il codice sorgente per migliorare la riproducibilità della ricerca.

Meyer-Eschenbach, F., Schmiedler, R., Stoephasius, J. v., Zhang, C., Kronfli, L., Frey, N., Naeher, A.-F., Ehret, J., Nothacker, J., Kalle, C. v., Kohler, S., Gruenewald, E., Edel, A., Kumpf, O., Barr (…)2026-03-10📄 health informatics

Time-to-event modeling with multimodal clinical and genetic features improves risk stratification of liver complications in chronic hepatitis C

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.

Islam, H., Arian, A., Franses, J. W., Ahsan, H.2026-03-09📄 health informatics

Predictors of COVID-19 hospital outcomes: a machine learning analysis of the National COVID Cohort Collaborative

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.

Vazquez, J., Taylor, L., Chen, Y.-Y. K., Araya, K., Farnsworth, M. G., Xue, X., Hasan, M., N3C Consortium,2026-03-09📄 health informatics

A Novel Blended Hybrid Care Model for Maternal Mental Health: Cohort Study of Pregnant and Postpartum Patients

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.

Calvert, E. I., Chen, K., Moon, K., Emerson, M. R., Feldman, N., Lager, C., Torous, J.2026-03-09📄 health informatics

Population differences in wearable device wear time: Rescuing data to address biases and advance health equity

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.

Hurwitz, E., Connelly, E., Sklerov, M., Master, H., Hochheiser, H., Butzin-Dozier, Z., Dunn, J., Haendel, M. A.2026-03-06📄 health informatics