193 papers
Dit paper introduceert de SREDH-AICup-corpus, een tijdsgealigneerde dataset van 20 uur met klinische spraak in het Engels en Mandarijn, die is geannoteerd met 38 categorieën van gevoelige gezondheidsinformatie om de ontwikkeling en benchmarking van systemen voor de-identificatie van medische spraak te ondersteunen.
Dit artikel presenteert een reproduceerbare Python-workflow die klinische, biomarker- en farmacokinetische data van vroege oncologiestudies integreert om analyse-klare datasets, visualisaties en voorspellende modellen te genereren voor exploratieve besluitvorming.
Dit onderzoek toont aan dat multimodale machinelearningmodellen, die gestructureerde patiëntgegevens combineren met tekstuele notities uit elektronische gezondheidsdossiers, hoge postoperatieve opioïdexpositie tijdens ziekenhuisopnames nauwkeurig kunnen voorspellen om gerichte opioïdenstewardship te ondersteunen.
Deze paper introduceert de Time-Aware G-Transformer, een model dat causale G-computatie combineert met tijdsbewuste aandacht om op onregelmatige klinische data de effecten van behandelingen te voorspellen en zo de nauwkeurigheid en betrouwbaarheid van gepersonaliseerde medische beslissingen te verbeteren.
Deze mixed-methods studie onderzocht de voorkeuren van West-Afrikaanse clinicians en experts voor AI-governance, waarbij duidelijk werd dat onafhankelijke toezichthoudende organen, transparantie en duidelijke verantwoordelijkheidskaders essentieel worden geacht voor een veilige en betrouwbare integratie van AI in de klinische praktijk.
Dit onderzoek toont aan dat een hybride model, dat zelfgerapporteerde symptomen combineert met een Hidden Semi-Markov-model, de vier fasen van de menstruatiecyclus met hormonale validatie kan classificeren en zo een draagbaar, apparaatvrij alternatief biedt voor het monitoren van menstruele gezondheid.
Deze prospectieve pilotstudie toont aan dat het agente AI-assistent DR. INFO bij 29 Portugese zorgverleners leidde tot aanzienlijke tijdsbesparing, verbeterde klinische besluitvorming en een hoge tevredenheidsscore, wat de potentie van dergelijke systemen voor de dagelijkse praktijk onderstreept.
Dit paper introduceert MedScope, een lichtgewicht benchmarkkader dat zes open-source grote taalmodellen systematisch evalueert op medische meerkeuzevragen door niet alleen nauwkeurigheid, maar ook efficiëntie, consistentie en foutpatronen te analyseren, en concludeert dat hoewel deze modellen waardevolle baselines bieden, ze nog niet geschikt zijn voor onbeheerde inzet in hoog-risico zorgscenario's.
Een enquête onder de 40 meest actieve publieke en private sponsors van klinische trials in de EU toont aan dat private sponsors aanzienlijk vaker gedetailleerde en operationele beleidsstukken voor datadeling publiceren dan publieke sponsors, die vaak beperkt blijven tot algemene institutionele richtlijnen, wat duidt op een sectorale onbalans die de transparantie en hergebruik van data kan belemmeren.
Deze studie introduceert en evalueert een efficiënt, lokaal draaiend pipeline-systeem dat een fijngefineerde token-classificatie combineert met LLM-revisie om de 4M-gegevens (Wat telt, Medicatie, Mentatie en Mobiliteit) nauwkeurig uit ongestructureerde verpleeghuis-tekstberichten te extraheren, wat resulteert in een betere prestatie dan eerdere methoden en de basis legt voor kwaliteitsrapportage en klinisch toezicht.
Dit onderzoek toont aan dat kleine taalmodellen een privacyvriendelijke en efficiënte oplossing bieden voor het extraheren van longitudinale biomarkergegevens uit ongestructureerde Franse medische notities van patiënten met zeldzame nierziektes.
Dit paper introduceert MedResearchBench, het eerste benchmark voor het evalueren van AI-onderzoekssystemen op klinisch medisch onderzoek, dat bestaat uit 16 taken in zeven domeinen gebaseerd op openbare datasets en geëvalueerd volgens zes medisch specifieke criteria om de betrouwbaarheid en publicatiekwaliteit van door AI gegenereerd onderzoek te waarborgen.
Dit artikel introduceert BSOAD, de eerste ontologie die gedrags- en sociale factoren systematisch representeert en harmoniseert in relatie tot Alzheimer en aanverwante dementie, waarmee een semantische basis wordt gelegd voor geavanceerde kennisintegratie en computergestuurde analyse.
Dit artikel beschrijft de ontwikkeling en validatie van de VaaS-pijplijn, een multi-layer systeem dat hallucinaties in AI-ondersteunde wetenschap, zoals het fabriceren van citaties, effectief reduceert tot bijna nul door middel van productievalidatie en prospectieve benchmarking, terwijl het tegelijkertijd kostenefficiënt blijft.
Dit paper introduceert ClinicalTAAT, een tijd-bewuste transformer die door het integreren van contextuele en tijdsafhankelijke informatie uit elektronische patiëntendossiers interpreteerbare representaties leert voor het analyseren van klinische processen, waardoor bestaande procesmijningsmethoden worden aangevuld met schaalbare, data-gedreven inzichten in patiënttrajecten.
Het SwissPedGrowth-project toont aan dat het haalbaar is om hoogwaardige antropometrische gegevens uit verschillende elektronische patiëntendossiers in Zwitserse kinderziekenhuizen te extraheren voor groeionderzoek, hoewel uitdagingen op het gebied van volledigheid en harmonisatie van deze data blijven bestaan.
Deze studie introduceert een diagnostisch sensorframework dat, door middel van een gestructureerde 'Sequential Information Prioritization Scaffold' (SIPS), de vaak onzichtbare 'Convergence Regression' in klinische AI-redenering blootlegt en kwantificeert, waarbij wordt aangetoond dat scaffolding het vasthouden van correcte hypothesen verbetert ten koste van de top-1 nauwkeurigheid, wat model-specifieke redeneringspatologieën zichtbaar maakt in plaats van alleen de prestaties te optimaliseren.
Dit artikel presenteert MOE-ECG, een robuust multi-objectief ensemble-framework dat de detectie van boezemfibrillatie uit ECG-opnames verbetert door het tegelijkertijd optimaliseren van voorspellende prestaties en modeldiversiteit, wat leidt tot significante stijgingen in nauwkeurigheid en generalisatievermogen.
Deze studie toont aan dat een door mensen gecontroleerde, op een groot taalmodel gebaseerde workflow voor het voorselecteren van patiënten voor klinische trials een hoge nauwkeurigheid en kostenefficiëntie biedt, terwijl automatisch leren op basis van feedback de screeningsefficiëntie verder verbetert.
Het paper introduceert HealthFormer, een dual-level Transformer-model dat onregelmatige elektronische patiëntendata verwerkt door zowel intra-gebeurtenis codecompositie als tijdsafhankelijkheden te modelleren via zelftoezichtende pretraining, wat resulteert in superieure prestaties bij het voorspellen van incidentele kanker ten opzichte van bestaande methoden.