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 gestructureerde elektronische gezondheidsgegevens een matige voorspellende waarde hebben voor sterfte bij COVID-19-patiënten, maar ontoereikend zijn voor het voorspellen van de ziekenhuisopnameduur, waarbij het gebruik van SMOTE voor het aanpakken van onbalans in de data een afweging vereist tussen discriminatie en kalibratie.
Deze cohortstudie toont aan dat een nieuw hybride zorgmodel, bestaande uit virtuele CBT en de mindLAMP-app, de symptomen van depressie en angst bij zwangere en postpartumvrouwen significant vermindert.
Dit onderzoek introduceert een multimodale deep learning-framework dat Vision Transformers en domein-aangepaste taalmodellen combineert om preoperatieve differentiatie tussen goedaardige en kwaadaardige schildklierknobbels te verbeteren door MRI-beelden en klinische tekstdata te integreren.
Dit onderzoek toont aan dat draagtijd van wearables systematisch varieert naar demografische en gezondheidsfactoren, wat leidt tot significante data-uitsluiting bij ziektepopulaties, en stelt een flexibel methodologisch kader voor om deze bias aan te pakken en gezondheidsrechtvaardigheid te bevorderen.
Het CHARIOT-model, ontwikkeld op basis van gegevens van bijna 19 miljoen volwassenen in het VK, voorspelt de 10-jaar risicoreductie voor hart- en vaatziekten onder specifieke interventies zoals statinegebruik of rookstop, waardoor het een waardevol, actiegericht hulpmiddel biedt voor gepersonaliseerde preventie.
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.