191 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.
Het TDA Engine v2.1-framework maakt gebruik van topologische data-analyse om structurele gegevensgaten in epidemiologische data te detecteren en te classificeren op basis van tijdsduur en waarschijnlijke oorzaken, waardoor beleidsmakers natuurlijke lacunes kunnen onderscheiden van mogelijke onderdrukking.
Deze studie toont aan dat bij grote taalmodellen voor klinische classificatie het interne roldecompositie-ontwerp van multi-agent-systemen, zelfs zonder veranderingen in modelparameters, de prestaties en de afweging tussen sensitiviteit en specificiteit systematisch kan beïnvloeden.
Dit onderzoek presenteert een systematisch rood-teamingsraamwerk voor medische AI dat aantoont dat hoewel moderne taalmodellen over het algemeen robuust zijn tegen adversariale aanvallen, ze kwetsbaar blijven voor misleiding door autoriteitsvervalsing, met name wanneer verzoeken worden geframed als educatieve vragen.
Dit onderzoek presenteert een hybride deep learning-framework dat iteratieve labelzuivering en een Conv+BiLSTM-model combineert om de diagnose van prediabetes uit CGM-data te verbeteren, waarbij een hoge nauwkeurigheid wordt bereikt ondanks aanzienlijke oorspronkelijke labelonjuistheden in de AI-READI-dataset.
Dit artikel presenteert een betrouwbaar kader voor gepersonaliseerde behandelkeuze in de perioperatieve geneeskunde dat causale effect-bomen en kalibratie combineert om onderscheid te maken tussen bruikbare klinische signalen en onbetrouwbare variatie, zodat behandelingen alleen worden aanbevolen wanneer het effect zowel betrouwbaar als klinisch betekenisvol is.
Dit onderzoek toont aan dat een lokaal gehost 20-miljard-parameter taalmodel met een gevoeligheidsgerichte prompting-strategie abstracts voor systematische reviews 4,7 keer sneller kan screenen dan mensen, hoewel de nauwkeurigheid varieert per domein en het model momenteel het beste als tweede screener naast menselijke beoordelaars kan worden ingezet.
Een enquête onder redacteuren van tijdschriften voor traditionele, complementaire en integratieve geneeskunde toont aan dat, hoewel er een breed vertrouwen is in de toekomstige rol van kunstmatige intelligentie voor redactionele taken, de daadwerkelijke adoptie beperkt blijft door een gebrek aan beleid, training en ethische richtlijnen.
Deze kwalitatieve studie toont aan dat het vertrouwen in gezondheidszorg-AI niet alleen afhangt van technische prestaties, maar vooral wordt gevormd door de governance-praktijken en het toezicht van cybersecurityprofessionals die deze systemen als kritieke klinische infrastructuur beschouwen.
Deze studie presenteert een nieuw DIP-Fusion-framework dat anatomische en metabolische informatie combineert via een gefuseerde proton-natrium-prior en richtingsgebonden totale variatie-regulering om de beeldkwaliteit en signaalbehoud van versnelde natrium-MRI-scans aanzienlijk te verbeteren.
Dit onderzoek toont aan dat het gebruik van few-shot geprompte large language modellen haalbaar is om de redacties van clinici op AI-gegenereerde medische aantekeningen te categoriseren, met name voor medicatie en symptomen, hoewel complexe contextafhankelijke bewerkingen beter dienen te worden gebruikt voor triage naar menselijke beoordeling.