193 papers
Deze studie valideert dat een op strak gereduceerde radiomische kenmerken gebaseerd fotone-quantummachinelearningmodel de prestaties van klassieke modellen evenaart of overtreft bij het voorspellen van het respons op anti-PD-1-therapie bij patiënten met niet-kleincellig longkanker in een multicenter-validatie.
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 studie toont aan dat fuzzy matching van adreslabels aanzienlijk nauwkeuriger is dan geocoderingsmethoden voor het koppelen van adressen aan perceelsgegevens, waarbij de lagere prestaties van geocodering vooral leiden tot onnauwkeurigheden in dichtbebouwde en sociaaleconomisch achtergestelde wijken.
Dit paper introduceert PrivateBoost, een privacy-bewust federatief leerstelsel voor medische data dat m-of-n Shamir-geheime deling en anonieme aggregatie gebruikt om effectieve XGBoost-modellen te trainen op individuele patiëntgegevens, zelfs bij extreme data-schaarste en hoge uitval van clients.
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 artikel presenteert een nieuwe methode om RAPEX HARM-risicobeoordelingen direct uit AIS 2015-gecodeerde traumadata af te leiden door zowel de levensbedreiging (AIS-CD) als de langdurige gevolgen (pFCI) te combineren, waarbij de ernst per persoon wordt bepaald op basis van de drie zwaarste verwondingen.
Deze studie presenteert een lokaal inzetbaar, privacy-bewust AI-pipeline dat ongestructureerde echocardiografie-notities automatisch analyseert en, door de integratie van deze gegevens in een LightGBM-model, de voorspellende nauwkeurigheid voor ICU-mortaliteit significant verbetert ten opzichte van de APACHE IV-score.
Deze studie concludeert dat Capsule Networks intrinsiek robuuster zijn dan CNN's en Vision Transformers tegen adversariële perturbaties bij medische beeldclassificatie, wat hen tot een betrouwbaar alternatief maakt voor klinische toepassingen.
Uit deze studie met 223.251 mannen in de UK Biobank blijkt dat het gebruik van fase-gebaseerde in plaats van intensiteit-gebaseerde meetmethoden leidt tot een nauwkeurigere inschatting van de leeftijdsafhankelijke accumulatie van mosaic Y-verlies, waardoor een sterker sterfterisico bij lagere belastingen wordt ontdekt en het percentage mannen dat als risicogroep wordt geclassificeerd, toeneemt van 5,3% naar 19,2%.
Deze studie toont aan dat het SISA-framework (Sharded, Isolated, Sliced and Aggregated) een efficiëntere en schaalbare oplossing biedt dan volledige hertraining voor het voldoen aan het GDPR-recht op verwijdering in antimicrobiële resistentievoorspellingsmodellen, met aanzienlijke tijdwinst en verwaarloosbare nauwkeurigheidsverliezen.
Deze studie toont aan dat het gebruik van volledige teksten in plaats van alleen samenvattingen de prestaties van GPT-5 bij het classificeren van oncologische proefcriteria significant verbetert, omdat de extra informatie de potentiële ruis compenseert.
Dit artikel introduceert een LLM-gestuurd framework dat de harmonisatie van klinische trial-data in SDTM-formaat automatiseert en natuurlijke taalqueries mogelijk maakt, waardoor de secundaire analyse en hypothesevorming in klinisch onderzoek aanzienlijk worden versneld.
Dit onderzoek toont aan dat instructie-geoptimaliseerde grote taalmodellen, uitsluitend op basis van tekstuele beschrijvingen van enquêtevariabelen, effectief betrouwbare voorspellers kunnen identificeren voor het begin van e-sigarettengebruik onder adolescenten, wat resulteert in modellen met een vergelijkbare of betere voorspellende nauwkeurigheid dan traditionele methoden.
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.
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 benchmarkstudie toont aan dat het combineren van een fijngefineerd klinisch taalmodel en LLM-based classifiers een nauwkeurige en schaalbare methode biedt om cannabisgebruik en de redenen daarvoor uit niet-gestructureerde elektronische gezondheidsdossiers van patiënten met auto-immuunreumatische aandoeningen te extraheren.
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.