193 papers
Deze studie toont aan dat een AI-assistent voor Finse gezondheidszorg aanzienlijke genderbias vertoont, waarbij vrouwelijke varianten onterecht worden gekoppeld aan kinderzorg en reproductieve gezondheid, wat zowel bij het ophalen als genereren van informatie leidt tot klinisch relevante vertekeningen.
Deze studie presenteert een synthetisch, op literatuur gebaseerd framework voor oncologische klinische trials dat radiografische respons, circulerend tumor-DNA, veiligheid en overleving integreert om een coherent en biologisch plausibel effect-safety-signaal te genereren voor besluitvorming in de translationele datawetenschap.
De studie concludeert dat het vervangen van thoraxfoto's door expertgeschriften de prognostische informatie beperkt, aangezien modellen die de originele beelden gebruiken betere voorspellingen doen voor 30-dagen mortaliteit en dat het vervangen van beelden door teksten leidt tot significante verschillen in risicorangschikking.
Deze systematische review en scientometrische analyse onthult dat onderzoek naar medische AI voor borstfoto's sterk wordt gedomineerd door landen met een hoog inkomen, wat leidt tot een gebrek aan diversiteit in de trainingsdata en internationale samenwerkingen, met het risico dat hierdoor gezondheidsongelijkheden worden versterkt.
Deze multimethodestudie toont aan dat de waargenomen veiligheid een cruciale rol speelt bij de keuze voor crisiscentra voor geestelijke gezondheid, waarbij een combinatie van menselijke perceptie en AI-gestuurde risicobeoordeling waardevolle inzichten biedt voor het creëren van veiligere omgevingen.
Deze internationale enquête onder medische peer reviewers toont aan dat, hoewel de bekendheid met AI-chatbots groot is, hun daadwerkelijke toepassing in het reviewproces beperkt blijft vanwege aanhoudende ethische zorgen en een gebrek aan training, ondanks een duidelijke behoefte aan begeleiding.
Dit artikel beschrijft een gestandaardiseerde, hoogdoorvoerende workflow die gekoppelde elektronische gezondheidsdossiers en verzekeringsgegevens gebruikt om uitgebreide, gestructureerde bewijspakketten te genereren voor diverse klinische domeinen, waardoor fragmentatie wordt verminderd en de zichtbaarheid van behandelingsvariatie voor precisiegeneeskunde wordt vergroot.
Dit onderzoek presenteert een Bayesiaanse ensemble-methode met prevalentie-adaptieve gating en variational autoencoder-augmentatie die in een klinische audit een sensitiviteit van 69,2% en een specificiteit van 100% bereikte bij het voorspellen van perioperatieve mortaliteit, terwijl het tegelijkertijd onzekerheid kwantificeerde via Shannon-entropie.
Dit paper introduceert TELF, een lichtgewicht end-to-end deep learning-model dat longitudinale gezondheidsdata verwerkt zonder zware voortraining, en dat niet alleen superieure voorspellende prestaties levert voor ziekterisico's maar ook interpreteerbare klinische patiënttrajecten onthult.
Deze studie toont aan dat een op stemopnames gebaseerd model een nauwkeurige en onafhankelijke maatstaf biedt voor biologische veroudering, waarbij versnelde stemveroudering samenhangt met factoren zoals overgewicht, slechte slaap en cardiometabole risico's.
Dit artikel introduceert "Digital Registrar", een schema-georiënteerd framework dat lokale grote taalmodellen gebruikt om gratis tekstuele pathologieverslagen van tien kankertypes betrouwbaar en privacy-bewust om te zetten in gestructureerde, register-klaar data voor automatische kankerbewaking.
Hoewel CD276 een significante associatie vertoont met de WHO-gradering van meningiomen, fungeert het niet als een sterke standalone-predictor of dominante stabiele kenmerk, maar eerder als een biologisch interessant doelwit dat binnen een breder multigene transcriptoommodel moet worden geïnterpreteerd.
Deze studie evalueert de reproduceerbaarheid en robuustheid van drie grote taalmodellen bij het extraheren van mobiliteitsstatus uit klinische teksten, en toont aan dat promptvariaties de stabiliteit aanzienlijk kunnen verminderen, maar dat zelfconsistentie via meerderheidsstemmen een effectieve mitigatiestrategie biedt.
Dit onderzoek toont aan dat machine learning-modellen, getraind op gestructureerde elektronische gezondheidsgegevens, de Kansas City Cardiomyopathy Questionnaire-scores bij hartfalenpatiënten met klinisch relevante nauwkeurigheid kunnen schatten, waardoor de beoordeling van patiëntgerapporteerde gezondheidsstatus kan worden uitgebreid naar populaties met onvolledige enquêtegegevens.
Deze studie toont aan dat moderne GPT-modellen, met name de 'mini'-varianten, en hun combinatie met regelgebaseerde systemen via late-fusion, kostenefficiënt en nauwkeurig sociale determinanten van gezondheid uit ongestructureerde medische teksten kunnen extraheren, waarbij ze presteren boven traditionele regelgebaseerde methoden.
Dit artikel beschrijft hoe een open-source instructiemodel via gesuperviseerde doorvoorttraining op 500.000 geanonimiseerde medische notities van Cedars-Sinai aanzienlijk betere prestaties levert op klinische taken zoals diagnosevoorspelling en hartstilstanddetectie dan grotere, niet-medisch getrainde modellen, zonder in te leveren op algemene kennis.
Dit artikel introduceert Med-ICE, een autonoom multi-agent framework dat de feitelijke nauwkeurigheid van medische AI verbetert door iteratieve consensus tussen LLM-agenten, waardoor hallucinaties worden verminderd en de prestaties op medische benchmarks aanzienlijk worden verhoogd zonder externe arbiter.
Deze studie introduceert MedResearchBench om zes medische AI-systemen te evalueren en concludeert dat citatiehallucinaties de betrouwbaarheid bepalen, waarbij een multi-agent verificatieframework de prestaties aanzienlijk verbetert en de beperkingen van puur subjectieve evaluaties blootlegt.
Dit onderzoek concludeert dat multi-task learning met alleen een samengestelde lastdoelstelling de meest effectieve aanpak is voor het profileren van psychosociale lasten in kankerforums, terwijl soft-label supervisie met LLM-afgeleide verdelingen minder goed presteerde dan harde labels voor emotieclassificatie.
Deze studie toont aan dat machine learning-modellen, met name op basis van de fundamentele frequentie van klinkers, met een nauwkeurigheid van 89% volwassenen met autisme kunnen onderscheiden van neurotypische volwassenen, wat wijst op de potentie van spraakgebaseerde screening.