193 papers
Dit onderzoek toont aan dat het gebruik van Nash-bargaining voor het coördineren van gespecialiseerde AI-agenten leidt tot veiligere en efficiëntere zorgplannen voor Medicaid-patiënten dan traditionele methoden, maar dat expliciete ontwerpinzet nodig blijft om ook de eerlijkheid van deze plannen te verbeteren.
De AutoscriberValidate-studie concludeert dat het gebruik van de omgevingsdigitale scribe Autoscriber de administratieve last voor zorgverleners verlaagt en de kwaliteit van medische notities verbetert door een significante reductie van fouten.
Deze studie toont aan dat commerciële vision-language-modellen in de radiologie kwetsbaar zijn voor OCR-gestuurde manipulaties die de visuele analyse volledig overrulen, zelfs bij onzichtbare aanvallen, waardoor prompt-gebaseerde verdedigingen ontoereikend zijn en strikte systeembeveiliging vereist is voor klinische toepassing.
Deze cross-sectionele studie onder 500 patiënten in Jordanië toont aan dat hoewel er een zekere bereidheid bestaat voor AI in de gezondheidszorg, deze sterk afhankelijk is van vertrouwen, transparantie en de voorkeur voor menselijke betrokkenheid, waarbij lagere opleidingsniveaus en beperkte digitale vaardigheden de acceptatie belemmeren.
Deze studie presenteert een hybride SARIMA-CNNAR-model dat, door lineaire seizoenspatronen en niet-lineaire trends te combineren, de nauwkeurigste prognoses voor tuberculose-incidentie in Nepal levert en hiermee de bestaande methoden zoals SARIMA, LSTM en XGBoost overtreft.
MedOS is een geavanceerd, op menselijke cognitie gebaseerd AI-systeem dat abstracte klinische redenering en fysieke interventie verenigt door een wereldmodel te gebruiken dat complexe medische procedures autonoom uitvoert en voorspelt, waardoor de prestatiekloof tussen junior en senior artsen wordt verkleind en klinische expertise wordt gedemocratiseerd.
Deze studie toont aan dat een volledig geautomatiseerde AI-pipeline systematische reviews kan genereren met een hogere kwaliteitsscore dan een menselijk geschreven review, maar waarschuwt voor fundamentele beperkingen zoals herhaling en de noodzaak van nieuwe verificatiestandaarden om de wetenschappelijke integriteit te waarborgen.
Deze studie introduceert en valideert twee methoden, namelijk een betrouwbaarheidsscore voor participanten en een Bayesiaanse aanpassing, om inconsistenties in zelfgerapporteerde ziekte-ontstaansleeftijden in longitudinale gezondheidsdata op te lossen, wat leidt tot sterkere correlaties tussen biologisch gerelateerde aandoeningen en verbeterde voorspellende prestaties.
Deze studie analyseerde ruim 342.000 gebruikersbeoordelingen van tinnitus-apps met een geavanceerd grafisch machine learning-model om te bepalen dat therapeutische functies over het algemeen positief worden ontvangen, terwijl aspecten als prijs, reclame en technische stabiliteit vaker negatief worden beoordeeld, waardoor ontwikkelaars en clinici waardevolle inzichten krijgen voor het verbeteren van digitale gezondheidszorg.
Dit artikel beschrijft het protocol voor een gerandomiseerde gecontroleerde studie die de effecten van een door Epic ontwikkelde generatieve AI-tool voor het samenvatten van patiëntendossiers onderzoekt op de cognitieve last en het werkvermogen van ambulante zorgverleners.
Deze studie, gebaseerd op interviews met 30 clinici, onthult dat redacties van door ambient AI gegenereerde medische notities voornamelijk noodzakelijk zijn om klinische nauwkeurigheid, juridische veiligheid en factureringseisen te waarborgen, en pleit voor gecoördineerde verbeteringen in modelbetrouwbaarheid, specialisatie-aanpassing en EHR-integratie om de samenwerking tussen mens en AI te versterken.
Dit artikel presenteert een autonoom agentisch framework dat EHR-gebaseerde trial-emulaties op schaal uitvoert en deze middels een Bayesiaans hiërarchisch model kalibreert op gepubliceerde RCT-resultaten, waardoor systematische afwijkingen in gezondheidszorgsystemen worden geleerd en de nauwkeurigheid van lokale effectschattingen aanzienlijk verbetert.
Dit onderzoek introduceert CardioPulmoNet, een door fysiologie geïnspireerd neuraal netwerk dat interactieve weefselstromen modelleert om stabiele en interpreteerbare kenmerken te leren voor histopathologische diagnose, zelfs bij beperkte datasets.
Dit onderzoek presenteert een interpreteerbaar machine learning-pipeline die XGBoost en SHAP gebruikt om Non-Alcoholische Vette Lever (NAFLD) en de bijbehorende gezondheidsrisico's kosteneffectief en niet-invasief te voorspellen op basis van routinematige klinische parameters.
Deze studie toont aan dat de door grote taalmodellen aangedreven workflow 'otto-SR' systematische reviews aanzienlijk kan versnellen door artikelselectie, data-extractie en beoordeling van risico op vertekening met hoge nauwkeurigheid te automatiseren, waardoor snellere en schaalbaardere bewijssynthese mogelijk wordt.
Een analyse van Reddit-berichten toont aan dat natuurlijke omgevingen voor jongeren met sociale angst zowel als verlichtend als triggerend kunnen werken, afhankelijk van de angst voor sociale beoordeling, wat wijst op de noodzaak van zorgvuldig ontworpen, natuurgerichte interventies die naast traditionele behandelingen kunnen worden ingezet.
Deze verkennende oogvolgstudie toont aan dat huisartsen tijdens suïcide-screening een aanzienlijk deel van hun visuele aandacht besteden aan het elektronisch patiëntendossier, wat leidt tot een gefragmenteerde communicatie en uitstel van het suïcidegesprek totdat risicofactoren zijn geverifieerd.
Dit onderzoek toont aan dat het combineren van klinische expertise met causale structuurleer leidt tot interpreteerbare en compacte voorspellingsmodellen voor acute hersendysfunctie in de pediatrische intensive care, die bijna even goed presteren als modellen met veel meer variabelen.
Dit artikel introduceert ED-Triage-Agent, een multi-agent AI-framework dat de klinische besluitvorming bij triage in de spoedeisende hulp ondersteunt door een mens-AI-samenwerking te faciliteren die de workflow nabootst, de autonomie van artsen behoudt en transparante ESI-classificaties biedt.
Dit paper introduceert Lilo Engine, een deterministische, vijf-laags veiligheidspijplijn voor therapeutische AI in zorginstellingen voor ouderen die, in tegenstelling tot eerdere multi-agent-systemen, door middel van structurele invarianten 100% crisisdetectie garandeert met een extreem lage latentie en volledige HIPAA-auditbaarheid.