227 artigos
A Saúde Informática une dados, tecnologia e cuidados médicos para transformar como entendemos e gerenciamos a saúde. Este campo explora desde o uso de registros eletrônicos até a inteligência artificial aplicada a diagnósticos, sempre com o objetivo de melhorar a qualidade do atendimento e a eficiência dos sistemas de saúde.
No Gist.Science, acompanhamos de perto os avanços mais recentes trazidos pelo medRxiv. Processamos cada novo pré-publicação nesta categoria, oferecendo tanto resumos técnicos detalhados quanto explicações em linguagem simples para tornar a ciência acessível a todos. Abaixo, você encontrará os últimos estudos publicados em Saúde Informática.
Este estudo de simulação de seis condados da Pensilvânia demonstra que o impacto na redução da mortalidade ao aumentar a distribuição de naloxona e o tratamento com buprenorfina varia significativamente por condado, impulsionado pelos recursos locais de base e pelos padrões históricos de dispensação, em vez de tendências nacionais uniformes.
Este artigo demonstra que a combinação de dashboards de aprendizagem interna e federada cria um modelo ideal de garantia de qualidade de dados para a investigação interinstitucional, equilibrando eficazmente o rigor da validação local com a deteção de padrões escalável e em todo o ecossistema da supervisão colaborativa.
Este estudo demonstra que a gravidade dos sintomas de depressão e ansiedade em uma grande coorte é significativamente refletida em métricas fisiológicas e comportamentais distintas, tais como a arquitetura do sono, a variabilidade da frequência cardíaca e a atividade física, capturadas por um anel inteligente de nível de consumo.
O artigo apresenta o SpyCAT, um novo sistema de detecção de anomalias baseado em modelagem e semissupervisionado que utiliza transformers espacialmente conscientes de contexto e quantização vetorial para identificar e localizar eficazmente lesões epileptogênicas sutis em imagens de RM cerebral 3D, superando métodos de última geração.
Este estudo apresenta um clínico de IA causal treinado no MIMIC e validado em dados do eICU que utiliza modelos gráficos fundamentados em especialistas para gerar recomendações ótimas de fluidos e vasopressores para choque séptico, demonstrando que a adesão a essas políticas correlaciona-se com melhores desfechos clínicos ao mesmo tempo em que requer significativamente menos variáveis do que os baselines preditivos convencionais.
Este artigo demonstra que uma arquitetura de recuperação híbrida, combinando correspondência lexical determinística com busca semântica aprendida, normalização de consulta e fusão de classificação, pode permitir que esses dois paradigmas coexistam de forma segura sobre o SNOMED CT sem compensações, melhorando assim a precisão da entrada de dados clínicos tanto para terminologias precisas quanto para entradas ambíguas e abreviadas, ao mesmo tempo em que reduz a necessidade de curadoria de vocabulário local laboriosa.
O artigo apresenta o HemOncAgent, um sistema de IA que integra grafos de conhecimento estruturados e trajetórias de cuidado narrativas para fornecer uma recuperação híbrida de alta fidelidade do conhecimento oncológico, superando as limitações dos sistemas de fonte única.
O DualStream-MTCA é um modelo híbrido de aprendizado profundo treinado em dados do MIMIC-IV que detecta de forma eficaz e simultânea sepse e insuficiência cardíaca em pacientes adultos de UTI usando fluxos duplos de LSTM Bidirecional com mecanismos de atenção cruzada, alcançando alta precisão e forte generalização em validação externa.
Este artigo apresenta um recurso curado de 7.763 associações significativas entre fármacos e diagnósticos do mundo real derivadas de registros eletrônicos de saúde do Reino Unido e da Dinamarca, o qual foi anotado manualmente por especialistas médicos para revelar que a maioria das coocorrências observadas não representa tratamento direto e para destacar a necessidade de considerar a variabilidade entre anotadores.
Este artigo introduz uma estrutura de contexto de predição multidimensional que aumenta a interpretabilidade de modelos de mortalidade em UTI ao complementar escores de risco calibrados com percepções sobre o comportamento do modelo, disponibilidade de dados, tendências fisiológicas e atribuição de características, proporcionando, assim, uma compreensão mais abrangente da formação da predição além de simples estimativas de risco.