199 articoli
Uno studio di coorte ha rilevato che il tipo di risposta editoriale (notizia, espressione di preoccupazione o ritrattazione) a problemi di integrità in trial randomizzati controllati non influenza il tasso di declino delle citazioni, che risulta simile a quello osservato nei trial di controllo.
Questo studio propone un quadro di informatica sanitaria guidato dalla governance e calibrato su dati reali che, integrando modelli longitudinali di flusso pazienti e dinamiche di adozione dei medici, supera le limitazioni delle previsioni statiche per generare stime più accurate dell'utilizzo delle risorse nell'oncologia e nelle condizioni croniche complesse.
Questo lavoro presenta SO_SCPLOWTRATC_SCPLOWCP, un framework conformale stratificato che abilita il deployment sicuro di modelli fondazionali medici attraverso politiche decisionali controllate per l'errore, selezionando pazienti per azioni immediate con un tasso di falsi positivi limitato e fornendo set di predizione calibrati per i casi deferiti, come dimostrato in ambiti di oftalmologia e neuro-oncologia.
Questo studio dimostra che la robustezza delle rappresentazioni dei termini medici nei modelli linguistici locali non dipende esclusivamente dalle dimensioni del modello o dal fine-tuning medico, ma varia significativamente in base alla complessità terminologica e al sottodominio clinico, rendendo necessaria una validazione specifica per garantire la sicurezza nelle applicazioni cliniche.
Lo studio rivela che il Questionario sulla Regolarità del Sonno (SRQ) presenta una validità convergente modesta con le diari del sonno ma una corrispondenza debole con i dati oggettivi dei dispositivi indossabili, suggerendo che lo strumento è più adatto a integrare piuttosto che sostituire il monitoraggio oggettivo negli adulti sani.
Uno studio randomizzato controllato ha dimostrato che l'uso di modelli linguistici di grandi dimensioni (LLM) per semplificare i referti radiologici ne migliora significativamente la leggibilità e la comprensione da parte dei pazienti, mantenendo un tasso di allucinazioni minimo e senza causare danni.
Questo studio dimostra che un approccio multi-agente basato sulla teoria dei giochi di Nash migliora significativamente la sicurezza e l'efficienza nella generazione di piani di cura per pazienti Medicaid rispetto a modelli singoli, pur evidenziando che l'equità richiede una progettazione esplicita e non emerge automaticamente dall'ottimizzazione multi-obiettivo.
Lo studio AutoscriberValidate dimostra che l'utilizzo del scribe digitale ambientale Autoscriber riduce il carico di lavoro amministrativo e migliora la qualità delle note mediche rispetto alla digitazione tradizionale.
Lo studio rivela che i modelli visione-linguaggio commerciali sono vulnerabili a manipolazioni OCR nascoste che sovrastano l'analisi visiva nelle diagnosi radiologiche, rendendo insufficienti le difese basate sui prompt e richiedendo salvaguardie di sistema prima di qualsiasi integrazione clinica.
Uno studio trasversale su 500 pazienti in Giordania rivela che, sebbene vi sia un'ottimismo condizionato verso l'intelligenza artificiale in ambito sanitario, la sua accettazione dipende dalla fiducia, dalla trasparenza e dalla preferenza per un approccio che integri l'IA con il coinvolgimento umano, mentre la prontezza ad adottarla è influenzata positivamente dalle competenze digitali e negativamente dal basso livello di istruzione.
Questo studio presenta un modello ibrido SARIMA-CNNAR che, analizzando i dati sulla tubercolosi in Nepal dal 2015 al 2024, ha dimostrato una precisione di previsione superiore rispetto ad altri metodi avanzati, fornendo uno strumento fondamentale per la pianificazione sanitaria e l'allocazione delle risorse.
MedOS è un modello di mondo incarnato basato sull'IA che unisce il ragionamento clinico astratto all'intervento fisico, simulando procedure mediche e riducendo il divario prestazionale tra medici junior e senior per democratizzare l'expertise clinica.
Questo studio dimostra la fattibilità tecnica di un sistema completamente automatizzato per la generazione di revisioni sistematiche tramite intelligenza artificiale, che in una valutazione cieca ha ottenuto punteggi di qualità superiori a una revisione umana, pur evidenziando limiti critici come la ripetitività e la necessità di nuove normative per garantire l'integrità scientifica.
Questo studio propone due metodi, basati su punteggi di affidabilità e su un aggiustamento bayesiano, per gestire le incongruenze nelle età di esordio riportate nei sondaggi sanitari longitudinali, dimostrando che entrambi migliorano significativamente la coerenza dei dati, le prestazioni predittive e l'interpretabilità delle reti di malattie utilizzando i dati di CanPath.
Questo studio analizza oltre 342.000 recensioni di app per la gestione del tinnito utilizzando un modello di intelligenza artificiale basato su grafi per identificare che, mentre le funzionalità terapeutiche come la mascheratura sonora ricevono feedback positivi, aspetti come prezzi, pubblicità e stabilità tecnica generano prevalentemente critiche, fornendo così indicazioni preziose per migliorare questi strumenti digitali.
Questo studio descrive un protocollo per una prova randomizzata controllata volta a valutare se l'accesso a un nuovo strumento di sintesi delle cartelle cliniche basato sull'intelligenza artificiale generativa di Epic riduca il carico cognitivo dei fornitori di cure ambulatoriali rispetto alle cure usuali.
Questo studio, basato su interviste a 30 clinici, evidenzia che le modifiche apportate alle note cliniche generate dall'IA sono necessarie principalmente per correggere errori di trascrizione, garantire precisione specialistica e mitigare rischi legali, sottolineando la necessità di un miglioramento coordinato tra fornitori, istituzioni e professionisti per ottimizzare l'integrazione e l'affidabilità di questi strumenti.
Questo studio dimostra che un framework di emulazione di trial autonomo basato su agenti intelligenti, combinato con un modello bayesiano gerarchico, può ridurre significativamente gli errori tra i dati dei registri sanitari elettronici e i risultati degli studi clinici randomizzati, permettendo l'apprendimento e la calibrazione delle specifiche proprietà di un sistema sanitario.
Lo studio presenta CardioPulmoNet, un'architettura neurale ispirata ai principi fisiologici cardiopolmonari che, integrando flussi di caratteristiche interagenti e regolarizzazione omeostatica, dimostra di migliorare l'apprendimento di rappresentazioni stabili e discriminative per la diagnosi istopatologica, specialmente in condizioni di dati limitati.
Questo studio propone un pipeline di machine learning interpretabile basato su XGBoost e SHAP, che utilizza parametri clinici di routine per la diagnosi precoce non invasiva della steatosi epatica non alcolica (NAFLD) e la valutazione dei rischi associati di ipertensione, malattie cardiovascolari e prediabete.