199 artigos
O estudo valida o fluxo de trabalho otto-SR baseado em modelos de linguagem grandes (LLMs), demonstrando que ele supera pesquisadores humanos na precisão de triagem e extração de dados, permitindo a reprodução rápida e a atualização escalável de revisões sistemáticas.
Uma análise de posts no Reddit revela que, embora ambientes naturais possam aliviar a ansiedade social em jovens, eles também podem desencadear sintomas devido ao medo de julgamento, indicando a necessidade de intervenções baseadas na natureza que sejam cuidadosamente adaptadas às preocupações específicas de avaliação social.
Este estudo exploratório utilizou rastreamento ocular e protocolos de pensamento em voz alta para demonstrar que, durante a triagem de suicídio, os clínicos de atenção primária direcionam significativa atenção ao prontuário eletrônico para verificar dados, o que frequentemente adia a discussão direta com o paciente até a confirmação dos resultados.
Este estudo demonstra que a integração de conhecimento especializado de clínicos com algoritmos de aprendizado de estrutura causal permite desenvolver modelos preditivos parcimoniosos e interpretáveis para a disfunção cerebral aguda adquirida em unidades de terapia intensiva pediátrica, alcançando desempenho comparável ao de modelos mais complexos com um número significativamente menor de biomarcadores.
O artigo apresenta o ED-Triage-Agent (ETA), um framework de IA multiagente projetado para aprimorar a colaboração humano-máquina na triagem de emergências, automatizando a coleta de histórico do paciente e auxiliando na classificação de acuidade (ESI) com raciocínio clínico explicável, preservando a autonomia do profissional.
O artigo apresenta o Lilo Engine, um pipeline terapêutico determinístico de cinco camadas projetado para ambientes de assistência a idosos que, ao substituir orquestradores multiagentes por invariantes estruturais rígidas, alcança detecção de crises com 100% de recall e latência de 28,7 ms, garantindo segurança e rastreabilidade auditável.
Um estudo com dados de mais de 19 milhões de pacientes nos EUA revela que a Síndrome de Ehlers-Danlos Hiperfrouxa (hEDS) é mais prevalente do que se pensava e que indivíduos com essa condição, especialmente aqueles com comorbidades como disfunção autonômica e fadiga crônica, apresentam um risco significativamente maior de desenvolver Long COVID, sugerindo que a infecção viral pode desmascarar ou agravar sintomas previamente não diagnosticados.
Este estudo demonstra que o uso colaborativo de grandes modelos de linguagem (LLMs) na triagem de revisões sistemáticas alcança maior precisão e recall do que modelos individuais, reduzindo significativamente o esforço manual necessário.
Este estudo demonstra que, ao analisar resumos de bolsas do NIH sobre tratamento de dependência de opioides, o ChatGPT-4.0 superou codificadores humanos na identificação e descrição de inovações, obtendo pontuações significativamente mais altas em profundidade e relevância.
Este estudo apresenta o Sino-US-DrugQA, um novo benchmark bilíngue com 11.871 pares de perguntas e respostas derivadas de regulamentações da NMPA chinesa e do CFR dos EUA, que avalia o desempenho de grandes modelos de linguagem em tarefas de conformidade farmacêutica transjurisdicional, revelando que, embora eficazes para consultas monolíngues, esses modelos ainda apresentam limitações significativas no raciocínio comparativo entre jurisdições.
Este estudo comparou as florestas aleatórias (RF) e as florestas aleatórias de sobrevivência (RSF) para modelar o risco de longevidade sem incapacidade no ensaio clínico ASPREE, concluindo que, apesar de RSF ser projetada para dados de tempo até o evento, ambas as metodologias apresentaram desempenho discriminativo e de calibração comparáveis, sugerindo que RSF nem sempre oferece previsões superiores.
Este estudo valida que um framework padronizado baseado em prompts alcança precisão clínica consistente ao analisar oito padrões biomédicos em 4.018 pacientes do NHANES utilizando cinco modelos de linguagem de quatro fornecedores distintos, demonstrando a viabilidade de sistemas de IA clínicos independentes de fornecedor.
Este estudo apresenta e avalia um modelo híbrido que integra um Modelo de Linguagem de Grande Escala (LLM) com Programação Linear Inteira Mista (MILP) para gerar planos de refeições personalizados e precisos, demonstrando que essa abordagem combinada supera as soluções isoladas ao equilibrar a precisão nutricional quantitativa com a personalização qualitativa.
Os autores desenvolveram um pipeline computacional que combina similaridade fenotípica e propagação em rede para priorizar diagnósticos de doenças raras, demonstrando maior precisão e consistência clínica do que métodos anteriores ao avaliar casos do projeto Solve-RD.
Este estudo de caso pré-pós pareado demonstrou que os sistemas de documentação clínica por inteligência ambiental alteram significativamente a expressão linguística e a organização das notas médicas, gerando textos mais longos, sintaticamente complexos e coerentes na seção de História da Doença Atual, com efeitos que variam conforme o fornecedor e a seção da nota.
Este estudo, baseado no UK Biobank, propõe um "Gráfico de Sono" que revela uma relação em forma de U entre a duração do sono e o envelhecimento biológico, indicando que dormir entre 6,4 e 7,8 horas minimiza o envelhecimento acelerado e o risco de doenças, enquanto sono curto ou longo está associado a maiores lacunas de idade biológica e maior mortalidade.
Este estudo demonstra que, ao contrário da crença comum, a recuperação de informações (RAG) aumenta as alucinações em sistemas clínicos de IA, enquanto a representação prévia de dados do paciente em artefatos estruturados com rastreamento de proveniência se revela uma abordagem mais eficaz para garantir a precisão factual e a segurança.
Os pesquisadores desenvolveram um novo framework de aprendizado profundo baseado em imagens de fundo de olho que não apenas prevê a idade biológica da retina com alta precisão, mas também desdobra a heterogeneidade fisiológica do envelhecimento, identificando assinaturas distintas associadas a inflamação sistêmica e variações hemodinâmicas.
Este estudo desenvolveu e validou um algoritmo escalável baseado em registros de auditoria de prontuários eletrônicos que identificou com 91% de precisão o clínico de primeira linha responsável pelo cuidado do paciente em cada dia de internação, superando abordagens baseadas apenas na frequência de ações.