193 artigos
Este estudo revela que um assistente de IA baseado em RAG para serviços de bem-estar na Finlândia exibe vieses de gênero significativos e clinicamente relevantes, onde as variantes femininas das consultas são sistematicamente distorcidas por estereótipos sociais relacionados a cuidados infantis e saúde reprodutiva, comprometendo a precisão médica tanto na recuperação quanto na geração de respostas.
Este estudo apresenta um quadro sintético de ensaios clínicos oncológicos de ponta a ponta que integra respostas radiográficas, DNA tumoral circulante, segurança e sobrevivência para gerar dados analíticos coerentes e biologicamente plausíveis que suportam a tomada de decisão na ciência de dados translacional.
Este estudo demonstra que, na previsão de mortalidade pós-alta, substituir radiografias de tórax por seus relatórios escritos por especialistas resulta em perda de informação prognóstica e alterações na priorização de risco, indicando que os relatórios não são substitutos perfeitos para as imagens brutas.
Esta revisão sistemática e análise scientométrica de 928 estudos sobre IA em radiografias de tórax revela disparidades significativas, onde países de alta renda dominam a liderança da pesquisa e a origem dos dados, o que ameaça a equidade e a aplicabilidade clínica global desses sistemas.
Este estudo multimétodo demonstrou que a percepção de segurança de pacientes e parceiros de cuidado influencia significativamente a escolha de unidades de crise em saúde comportamental, revelando tanto alinhamentos quanto lacunas em relação às avaliações de risco realizadas por inteligência artificial, o que sugere o valor da integração de ferramentas de IA para apoiar decisões mais seguras nesses ambientes.
Este estudo transversal internacional revela que, embora a maioria dos revisores de periódicos médicos esteja familiarizada com chatbots de IA, seu uso na revisão por pares permanece limitado devido a preocupações éticas e de integridade, destacando-se a necessidade urgente de treinamento e diretrizes claras antes de uma implementação mais ampla.
Este artigo descreve o desenvolvimento de um fluxo de trabalho de geração de evidências de alto rendimento que utiliza dados vinculados de prontuários eletrônicos e seguros para produzir uma base de evidências padronizada e abrangente, permitindo a análise de heterogeneidade de efeitos terapêuticos em diversas subpopulações e reduzindo a necessidade de estudos redundantes.
Este estudo apresenta um ensemble bayesiano adaptativo à prevalência, que utiliza geração sintética de dados e gate de incerteza para prever mortalidade perioperatória com precisão de 100% e zero falsos positivos em uma coorte de validação, demonstrando robustez estrutural e utilidade clínica em ambientes com recursos limitados.
O artigo apresenta o TELF, um modelo de aprendizado profundo leve e interpretável que utiliza um codificador temporal com fusão tardia para prever riscos de doenças a partir de dados longitudinais do mundo real, superando métodos tradicionais em desempenho e permitindo a descoberta de trajetórias clínicas sem a necessidade de pré-treinamento computacionalmente intensivo.
Este estudo demonstra que modelos baseados em vozes de 7.081 adultos podem prever a idade biológica com precisão comparável a relógios de envelhecimento existentes, identificando a voz como um biomarcador não invasivo e escalável que reflete riscos cardiometabólicos e outras condições de saúde.
Este artigo apresenta o "Digital Registrar", um framework de abstração de patologia baseado em esquemas e modelos de linguagem locais que converte relatórios cirúrgicos de texto livre em dados estruturados com alta precisão e privacidade, facilitando o registro oncológico automatizado e a interoperabilidade.
Este estudo demonstra que, embora o gene CD276 esteja associado ao grau do meningioma, seu valor preditivo é limitado quando isolado, sendo a performance do modelo classificatório impulsionada por uma estrutura transcricional multigênica mais ampla, o que posiciona o CD276 como um alvo biológico de interesse que deve ser interpretado dentro de um contexto genômico mais amplo e com cautela quanto à calibração das probabilidades.
Este estudo avalia a reprodutibilidade e robustez de três grandes modelos de linguagem na extração de informações clínicas sobre mobilidade, demonstrando que a estabilidade varia conforme o modelo e a temperatura, mas pode ser significativamente melhorada através de uma estratégia de votação por consistência própria.
Este estudo desenvolveu e validou modelos de aprendizado de máquina que estimam com precisão clinicamente significativa as pontuações do Questionário Cardiomiopatia de Kansas City (KCCQ) a partir de dados de registros eletrônicos de saúde, permitindo a avaliação da saúde relatada pelo paciente em populações onde a coleta de dados de pesquisas é incompleta.
Este estudo demonstra que modelos de linguagem grande (LLMs), especialmente as versões "mini" mais recentes, superam sistemas baseados em regras na extração de determinantes sociais da saúde de registros eletrônicos, com a performance máxima sendo alcançada através de uma abordagem de fusão tardia que combina ambos os métodos.
Este estudo demonstra que o pré-treinamento supervisionado contínuo de um modelo de linguagem de instrução em 500 mil notas clínicas desidentificadas permite incorporar conhecimento médico especializado e melhorar o desempenho em tarefas clínicas reais, superando modelos maiores não treinados clinicamente, sem sacrificar a capacidade de conhecimento geral.
O artigo apresenta o Med-ICE, um framework autônomo de múltiplos agentes que utiliza consenso iterativo e verificação semântica para eliminar alucinações e melhorar significativamente a precisão factual e a confiabilidade de modelos de linguagem em aplicações médicas de alto risco.
Este estudo apresenta o MedResearchBench, um benchmark que demonstra que a verificação programática de citações é o fator decisivo para avaliar a confiabilidade de sistemas de IA médica, revelando que abordagens de múltiplos agentes podem corrigir alucinações e superar as limitações das avaliações subjetivas baseadas apenas em um único modelo.
O estudo conclui que, para a profilagem de carga psicossocial em textos de apoio entre pacientes com câncer, a aprendizagem multi-tarefa focada exclusivamente em tarefas compostas superou a adição de cabeças auxiliares, enquanto a supervisão por rótulos duros permaneceu superior à supervisão por rótulos suaves derivados de modelos de linguagem grandes.
Este estudo desenvolveu e avaliou modelos de aprendizado de máquina que utilizam características acústicas de vogais, com destaque para a frequência fundamental (F0), para distinguir com 89% de precisão adultos autistas de neurotípicos, demonstrando o potencial dessa abordagem como uma ferramenta escalável e interpretável para o rastreio do Transtorno do Espectro Autista.