191 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.
Dit artikel introduceert een verkennende AI-aanbevelingsengine die gebruikmaakt van uitlegbare AI om datagedreven aanbevelingen te genereren voor variabeleselectie, niet-lineaire termen en interacties, waardoor de voorspellende prestaties en interpreteerbaarheid van hoogdimensionale klinische modellen, zoals het Cox-proportioneel-hazardsmodel, aanzienlijk worden verbeterd.
Deze studie evalueert de prestaties van een omgevings-AI-documentatiesysteem in klinische ontmoetingen met meerdere talen en komt tot de bevinding dat, hoewel de algehele foutpercentages bij transcriptie laag zijn en taalwisselingen over het algemeen betrouwbaar worden gedetecteerd, aanzienlijke uitdagingen blijven bestaan bij Chinees-Engelse codeswitching, waaronder hoge foutuitbijters en frequente verwijderingen op de wisselpunten.
Deze studie evalueert geavanceerde grote taalmodellen voor het vertalen van multimodale klinische fenotype-documentatie naar uitvoerbare EHR-algoritmen en komt tot de bevinding dat, hoewel deze modellen gestructureerde tekst effectief interpreteren, hun prestaties aanzienlijk verslechteren bij alleen diagrammen als invoer, waarbij uiteindelijk de kwaliteit van de documentatie en niet de modelcapaciteit wordt geïdentificeerd als de primaire knelpunt.
Deze systematische review en meta-analyse van 30 studies toont aan dat machine learning- en deep learning-algoritmes een hoge diagnostische nauwkeurigheid bereiken voor de detectie van vroege Alzheimer, hoewel het vakgebied gestandaardiseerde evaluatieprotocollen en externe validatie vereist om overfitting te beperken en klinische haalbaarheid te waarborgen.
Deze studie onthult dat meertalige AI voor consumentengezondheid een kritieke asymmetrie vertoont waarbij de klinische inhoud en veiligheid aanzienlijk variëren per taal – vaak met een stil falen in niet-Engelse contexten – terwijl er toch een consistente, empathische toon wordt gehandhaafd in alle talen.
Dit artikel stelt een door epidemiologie geïnformeerd grafisch neurale netwerk (EIGNN)-kader voor dat mechanistische epidemiologische modellen integreert met datagedreven contactnetwerken om nosocomiale infectiedynamiek nauwkeurig te voorspellen en te interpreteren, terwijl klinisch vertrouwen wordt gewaarborgd door transparantie.
Deze transversale analyse van 1.430 FDA-toelatingen van 1995 tot 2025 toont aan dat, hoewel de goedkeuringen van medische hulpmiddelen met AI/ML-exponentieel zijn toegenomen, deze sterk geconcentreerd blijven in beeldrijke diagnostische specialismen zoals radiologie, waardoor er aanzienlijke lacunes in vertegenwoordiging ontstaan voor andere belangrijke klinische gebieden zoals pathologie, verloskunde en gedragsgezondheid.
Deze studie ontwikkelt en valideert een interpreteerbaar machine learning-kader met behulp van Extreme Gradient Boosting om malaria-transmissiestatussen nauwkeurig te classificeren in de 47 provincies van Kenia voor de periode 2015 tot 2025, en toont aan dat het integreren van epidemiologische en omgevingsgegevens doelgerichte surveillance en toewijzing van middelen effectief kan ondersteunen.
Het artikel introduceert MISP-Bench, een grootschalige factoriële benchmark die evalueert hoe open-gewicht taalmodellen reageren door gebruikersverstrekte valse aannames in klinische en educatieve contexten, en onthult dat gecombineerde aanval op antwoord en onderbouwing sub-additieve schade vertonen, dat gerichte afleidingen sycofantie aanzienlijk verhogen in vergelijking met willekeurige afleidingen, en dat specifieke veiligheidsstrategieën (zoals brononafhankelijkheid en expliciete overschrijvingen) effectief de vatbaarheid voor desinformatie bij diverse modellen verminderen.
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.