227 papers
In de wereld van de gezondheidszorg speelt informatiekunde een steeds grotere rol. Dit vakgebied verbindt medische data met geavanceerde technologie om diagnoses te versnellen, behandelingen te optimaliseren en publieke gezondheid te bewaken. Het gaat hierbij niet alleen om cijfers, maar om het begrijpelijk maken van complexe patronen die levens kunnen redden.
Op Gist.Science verzamelen we de nieuwste inzichten uit dit dynamische veld, direct afkomstig van medRxiv. Voor elk nieuw preprint in deze categorie verwerken wij de inhoud grondig en leveren we zowel een heldere samenvatting in gewone taal als een gedetailleerde technische analyse. Zo maken we de wetenschap toegankelijk voor iedereen, ongeacht hun achtergrond.
Hieronder vindt u de meest recente publicaties uit de categorie Health Informatics, direct uit de medRxiv database.
Deze simulatiestudie van zes Pennsylvania-counties toont aan dat de impact op de reductie van mortaliteit door het vergroten van de naloxon-distributie en buprenorfine-behandeling significant varieert per county, gedreven door lokale basisbronnen en historische dispensatiepatronen in plaats van uniforme nationale trends.
Dit artikel toont aan dat het combineren van in-house en federated learning-dashboards een optimaal model voor kwaliteitsborging van gegevens creëert voor cross-institutioneel onderzoek, waarbij de grondigheid van lokale validatie effectief wordt gebalanceerd met de schaalbare, ecosysteembrede patroondetectie van gezamenlijk toezicht.
Deze studie toont aan dat de ernst van depressieve en angstklachten in een grote cohort significant wordt weerspiegeld in onderscheidende fysiologische en gedragsmatige metrieken, zoals slaaparchitectuur, hartslagvariabiliteit en fysieke activiteit, vastgelegd door een consumentenwaardige slimme ring.
Het artikel introduceert SpyCAT, een nieuw semi-gesuperviseerd, modelleringsgebaseerd anomaliedetectiesysteem dat ruimtelijk contextbewuste transformers en vectorkwantisatie gebruikt om effectief subtiele epileptogene laesies in 3D hersen-MRI-beelden te identificeren en te lokaliseren, waarbij het superieur presteert aan state-of-the-art methoden.
Deze studie presenteert een causale AI-clinician getraind op MIMIC en gevalideerd op eICU, die gebruikmaakt van door experts gefundeerde grafische modellen om optimale vloeistof- en vasopressor-aanbevelingen voor septische shock te genereren, waarbij wordt aangetoond dat het naleven van deze beleidsregels correleert met verbeterde klinische uitkomsten terwijl er aanzienlijk minder variabelen nodig zijn dan bij conventionele voorspellende baselines.
Dit artikel toont aan dat een hybride retrieval-architectuur die deterministische lexicale matching combineert met geleerde semantische zoekopdrachten, query-normalisatie en rank fusion, deze twee paradigma's veilig kan laten samenbestaan over SNOMED CT zonder concessies, waardoor de nauwkeurigheid van klinische gegevensinvoer wordt verbeterend voor zowel precieze terminologie als ambigue, afgekapte invoer, terwijl de noodzaak voor arbeidsintensieve lokale vocabulairecuratie wordt verminderd.
Het artikel introduceert HemOncAgent, een AI-systeem dat gestructureerde kennisgrafieken en narratieve zorgpaden integreert om hoogwaardige, hybride ontsluiting van oncologische kennis te bieden, waarmee de beperkingen van systemen met één bron worden overwonnen.
DualStream-MTCA is een hybride deep learning-model dat getraind is op MIMIC-IV-data en dat effectief en gelijktijdig sepsis en hartfalen detecteert bij volwassen IC-patiënten met behulp van duale Bidirectional LSTM-stromen met cross-attention-mechanismen, waarbij een hoge nauwkeurigheid en sterke generaliseerbaarheid in externe validatie worden bereikt.
Dit artikel presenteert een gecureerde bron van 7.763 significante real-world associaties tussen medicatie en diagnose, afgeleid uit Britse en Deense elektronische patiëntendossiers, die handmatig door medische experts zijn geannoteerd om aan te tonen dat de meeste geobserveerde co-occurrences geen directe behandeling vertegenwoordigen en om de noodzaak te benadrukken van het rekening houden met inter-annotator variabiliteit.
Dit artikel introduceert een multidimensionaal voorspellingscontext-framework dat de interpreteerbaarheid van ICU-mortaliteitsmodellen verbetert door gekalibreerde risicoscores aan te vullen met inzichten in modelgedrag, gegevensbeschikbaarheid, fysiologische trends en feature-attributie, waardoor een meer uitgebreid begrip van voorspellingsvorming wordt geboden dan enkel eenvoudige risikoschattingen.