256 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 zowel logistische regressie als gradient boosting-modellen, getraind op historische CDC ILINet-surveillancedata, zeer nauwkeurig nationale griepuitbraken in de Verenigde Staten kunnen voorspellen, waarbij logistische regressie de beste prestaties levert.
Een analyse van bijna 410.000 Reddit-berichten onthult dat 43,5% van de gebruikers van semaglutide en tirzepatide bijwerkingen meldt, waarbij maag-darmklachten overheersen maar ook onbekende signalen zoals voortplantingsproblemen en temperatuurrelatieve klachten naar voren komen die de huidige klinische data aanvullen.
Deze paper introduceert een modulaire, adapter-gebaseerde aanpak die redenering en beloningstuning ontkoppelt om kleine klinische taalmodellen stabiel en nauwkeurig te aligneren, terwijl privacy en auditabiliteit worden gewaarborgd.
Dit artikel presenteert de Orphanet-nomenclatuur en -classificatie voor zeldzame ziekten, een gestandaardiseerd multilinguaal systeem dat in juli 2025 bijna 10.000 klinische entiteiten omvat en door uitgebreide koppelingen met andere semantische bronnen de interoperabiliteit, patiëntherkenning en data-uitwisseling op het gebied van zeldzame ziekten wereldwijd verbetert.
Dit onderzoek presenteert een robuust ensemble-machinelearningkader dat, gebaseerd op een multi-seed strategie en feature-ranking, esofaguskanker in Ethiopië met uitzonderlijke nauwkeurigheid (98,3%) en 100% gevoeligheid voorspelt door gebruik te maken van een gereduceerde set van voedsel- en milieufactoren.
Dit onderzoek toont aan dat een multimodaal deep learning-framework met cross-attention-mechanismen, dat dermoscopische afbeeldingen combineert met patiëntmetadata, de diagnose van huidlaesies nauwkeuriger en beter gekalibreerd maakt dan traditionele fusiestrategieën of beeld-only modellen.
Deze haalbaarheidsstudie beschrijft hoe kunstmatige intelligentie en ervaringsgebaseerde co-ontwerpmethoden werden ingezet om een virtuele-reality-app voor mindfulness te ontwikkelen die specifiek is afgestemd op de vermindering van diabetesdistress bij volwassenen met type-2-diabetes.
Deze studie vergelijkt traditionele regressiemodellen met medische grote taalmodellen (MedLLMs) voor het voorspellen van sterfte en cardiovasculaire risico's, en concludeert dat goed afgestemde MedLLMs en geavanceerde regressietechnieken vergelijkbare prestaties leveren, waarbij kalibratie de voorspellende nauwkeurigheid aanzienlijk verbetert.
Deze systematische review toont aan dat aanzienlijke variatie in methodologische keuzes leidt tot sterk uiteenlopende sepsisdetectiepercentages in dezelfde klinische databases, wat de noodzaak onderstreept voor gestandaardiseerde rapportage en publicatie van broncode om de reproduceerbaarheid te verbeteren.
Dit onderzoek toont aan dat een interpreteerbaar multimodaal overlevingsmodel, dat klinische en genetische factoren combineert, de risicostratificatie voor levercomplicaties bij chronische hepatitis C aanzienlijk verbetert ten opzichte van fibrosestadium alleen.