156 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 studie toont aan dat een gestandaardiseerd prompt-gebaseerd raamwerk voor biomarkeranalyse klinisch nauwkeurige resultaten oplevert op 4.018 NHANES-patiënten, ongeacht het gebruikte grote taalmodel van verschillende leveranciers.
Dit artikel presenteert een computergestuurde pipeline die fenotypische gelijkenis combineert met netwerkprioritering om de diagnose van zeldzame ziekten te verbeteren en klinisch meer consistente differentiaaldiagnoses te genereren dan bestaande methoden.
Deze studie presenteert een interpreteerbaar deep learning-framework dat fundusfoto's gebruikt om de biologische leeftijd van het netvlies te schatten en de onderliggende fysiologische heterogeniteit, zoals ontsteking en hemodynamische variatie, te ontrafelen.
In deze studie is een 'neurological health score' (NHS) ontwikkeld met behulp van machine learning, die op basis van genetische, levensstijl- en biochemische variabelen het risico op diverse neurologische aandoeningen kan voorspellen en kwantificeren.
Deze studie vergelijkt verschillende imputatiemethoden voor het aanpakken van ontbrekende gegevens in patiëntgerapporteerde uitkomsten bij slokdarmkanker om de validiteit en betrouwbaarheid van klinisch onderzoek te verbeteren.
Dit onderzoek toont aan dat er een gevaarlijke scheiding bestaat tussen het abstracte ethische vermogen van taalmodellen om schadelijke bevelen te weigeren en hun vermogen om cruciale klinische informatie, zoals allergieën, te onthouden, waarbij slechts één model op beide veiligheidstests voldeed.
Deze studie presenteert een patiëntgericht Markov-ketenmodel dat op basis van geanonimiseerde gegevens voorspelt welke patiënten risico lopen op therapieontrouw door barrières zoals kosten en administratieve vertragingen, met als doel het ondersteunen van rechtvaardige patiëntenondersteuning.