health informatics 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.

Unmeasured but Not Unbiased: The Missingness Demographic Leakage Audit (MDLA) for Calibration-Aware Fairness Evaluation in Critical Care Mortality Prediction

Dit artikel introduceert de Missingness Demographic Leakage Audit (MDLA), een reproduceerbaar kader dat blootlegt hoe patronen van ontbrekende klinische data in modellen voor mortaliteit op de intensive care kunnen fungeren als subtiele, ongemeten demografische proxies, waardoor de integratie van auditie met bewustzijn van missingness en evaluatie met bewustzijn van kalibratie in validatiepijplijnen voor klinische AI noodzakelijk wordt.

Patel, K., Beedala, P.2026-05-03📄 health informatics

Disease Risk Prediction Using Structured EHR Data: Can Generalist Large Language Models Match Specialized Clinical Foundation Models? A Comparative Evaluation with Fine-Tuning

Deze vergelijkende evaluatie toont aan dat, hoewel fijn afgestemde generalistische grote taalmodellen over het algemeen onderpresteren ten opzichte van gespecialiseerde klinische fundamentele modellen bij gestructureerde EHR-ziekterisicovoorspelling, door LLM's gegenereerde embeddings gekoppeld aan lichtgewicht classifiers superieure prestaties kunnen behalen op zowel de AUROC- als de AUPRC-maatstaven.

Mao, B., Prasadha, M. K., Xie, Z., He, J., Ghebranious, M., Xu, H., Zhi, D., Rasmy, L.2026-05-01📄 health informatics

Protocol for the REVELIO test-track pilot study: a randomised, controlled, single-centre trial in healthy recreational cannabis users investigating real-time in-vehicle detection of cannabis-impaired driving

Het REVELIO-protocol schetst een gerandomiseerde, gecontroleerde pilotstudie op een gesloten testcircuit die is ontworpen om de haalbaarheid te evalueren van een multimodaal voertuigsysteem voor het detecteren van cannabisgerelateerde verkeersdeelnemers bij gezonde recreatieve gebruikers door voertuig-, bestuurders- en biologische data te correleren na gecontroleerde THC-toediening.

Bechny, M., Deuber, R., Heck, C., Brügger, J., Pfäffli, M., Jovanova, M., Fleisch, E., Wortmann, F., Weinmann, W.2026-05-01📄 health informatics

AERO: An AI Agent for Adaptive Eligibility Refinement and Optimization of Clinical Trial Criteria in Real-World Trial Emulation

Het artikel introduceert AERO, een AI-agentframework dat de geschiktheidscriteria voor klinische trials optimaliseert voor de emulatie van real-world data door gebruik te maken van grote taalmodellen om criteria systematisch te classificeren en te verfijnen, waardoor de generaliseerbaarheid en nauwkeurigheid van effectschattingsresultaten worden verbeterd, zoals aangetoond in een WARCEF-trial-emulatie.

Li, X., James, J., Pellikka, P. A., Zong, N.2026-05-01📄 health informatics

Integrating Group and Individual Fairness Auditing in Clinical AI: A Post-Hoc, Model-Agnostic Approach

Dit artikel introduceert EquiLense, een praktische, post-hoc en modelonafhankelijke audittool die de kloof tussen groeps- en individuele eerlijkheidsbeoordelingen in klinische AI overbrugt door gebruik te maken van een nieuwe metriek, genaamd Mean Predicted Probability Difference (MPPD), om systematische voorspellingstegenheden over demografische groepen heen te identificeren.

Xu, J., Hwang, Y. M., Kondareddy, S., Dormoy, I., Jing, S. L., Pillai, M., Curtin, C. M., Hernandez-Boussard, T.2026-04-30📄 health informatics

MedAdhereAI: An Interpretable Machine Learning Pipeline for Predicting Medication Non-Adherence in Chronic Disease Patients Using Real-World Refill Data

MedAdhereAI is een interpreteerbare machine learning-pipeline die met behulp van medicijnvervangingsgegevens en SHAP-uitlegbaarheid patiënten met chronische ziekten identificeert die een risico lopen op het niet naleven van hun medicatietherapie.

Yadav, S., Rajbhandari, S.2026-04-28📄 health informatics

MIMIC-IV-Phenotype-Atlas (MIPA) : A Publicly Available Dataset for EHR Phenotyping

Dit artikel introduceert MIPA, het eerste publiek beschikbare benchmarkdataset voor EHR-phenotyping, dat uit 1.388 door experts geannoteerde ontslagbrieven bestaat en de prestaties van verschillende methoden, waaronder LLM's, systematisch vergelijkt om de reproduceerbaarheid en methodologische ontwikkeling in dit veld te bevorderen.

Yamga, E., Goudrar, R., Despres, P.2026-04-24📄 health informatics

Stakeholder perspectives on the use of enhanced mobile phone capabilities for public health surveillance for non-communicable disease risk factors: A qualitative study

Deze kwalitatieve studie in Uganda concludeert dat hoewel mobiele telefoons de surveillance van risicofactoren voor niet-overdraagbare ziekten in laagresourceomgevingen kunnen versterken, hun succes afhangt van het aanpakken van ethische, juridische en sociale uitdagingen rondom privacy, toestemming en digitale ongelijkheid.

Mwaka, E. S., Nabukenya, S., Kasiita, V., Bagenda, G., Rutebemberwa, E., Ali, J., Gibson, D.2026-04-23📄 health informatics

A Bibliometric Review of Explainable AI in Diabetes Risk Prediction: Trends, Gaps, and Knowledge Graph Opportunities

Deze bibliometrische studie analyseert de groeiende toepassing van uitlegbare AI in de risicopredicatie van type 2-diabetes, identificeert een kritieke kloof tussen statistische uitlegmethoden en gestructureerde medische kennis, en stelt een raamwerk voor dat kennisgrafieken integreert om de klinische interpretatie te verbeteren.

Van, T. A.2026-04-21📄 health informatics

Decision Curve Analysis for Evaluating Machine Learning Models for Next-Day Transfer Out of ICU

Dit onderzoek toont aan dat Decision Curve Analysis een transparant kader biedt om machine learning-modellen voor de voorspelling van ICU-ontslagen te evalueren en operationele drempels te selecteren die aansluiten bij realistische workflow-beperkingen, zoals geïllustreerd in een MIMIC-IV studie.

Pozo, M., Pape, A., Locke, B., Pettine, W. W.2026-04-21📄 health informatics

← Vorige Volgende →