156 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.
O estudo desenvolveu e validou internamente o modelo CHARIOT, baseado em registros de saúde de mais de 19 milhões de adultos no Reino Unido, que utiliza inferência causal para prever a redução específica do risco cardiovascular de 10 anos sob diferentes intervenções, permitindo uma prevenção personalizada e acionável em escala.
O TDA Engine v2.1 é um framework computacional baseado em topologia que detecta e classifica "vazios estruturais" em dados epidemiológicos censurados, distinguindo lacunas naturais de supressão sistemática através de análise temporal e inferência causal para orientar investigações de saúde pública.
Este estudo demonstra que a decomposição estrutural de papéis em sistemas multi-agente de modelos de linguagem atua como um viés indutivo que altera significativamente as distribuições de erro e os trade-offs entre sensibilidade e especificidade em tarefas de classificação clínica, sem a necessidade de modificar os parâmetros do modelo.
Este estudo apresenta uma avaliação sistemática de segurança de modelos de linguagem em contextos médicos, revelando que, embora a maioria dos ataques adversariais seja bloqueada, os sistemas são vulneráveis à falsificação de autoridade, especialmente quando o pedido é enquadrado como uma questão educacional, o que exige aprimoramento das salvaguardas para lidar com mudanças comportamentais baseadas no contexto.
Este estudo apresenta um framework híbrido que combina limpeza iterativa de rótulos via aprendizado não supervisionado e supervisionado com um modelo de Deep Learning (Conv+BiLSTM) para corrigir imprecisões nos dados do conjunto AI-READI e aprimorar significativamente a precisão do diagnóstico de prediabetes a partir de dados de monitoramento contínuo de glicose.
Este estudo apresenta um framework de prontidão para implantação que integra inferência causal, árvores de efeito e calibração para distinguir heterogeneidade acionável de ruído estatístico, permitindo a seleção personalizada e confiável de tratamentos em medicina perioperatória.
O estudo demonstra que um modelo de linguagem grande de 20 bilhões de parâmetros, implantado localmente com uma estratégia de prompt focada em sensibilidade, é uma ferramenta promissora e significativamente mais rápida para a triagem automatizada de resumos em revisões sistemáticas, embora sua precisão varie conforme a objetividade dos critérios de inclusão e a necessidade de validação contínua.
Uma pesquisa transversal com editores de revistas de medicina tradicional, complementar e integrativa revela que, embora a maioria reconheça o potencial futuro da inteligência artificial para tarefas editoriais rotineiras, sua adoção atual permanece limitada devido à falta de políticas específicas, treinamento e barreiras éticas.
Este estudo qualitativo revela que a credibilidade e a confiança na inteligência artificial na saúde dependem menos do desempenho técnico e mais de práticas de governança e supervisão humana contínua, conforme percebido por profissionais de cibersegurança que atuam como guardiões fundamentais da infraestrutura digital.
Este artigo apresenta o método DIP-Fusion, uma abordagem baseada em Deep Image Prior que integra informações anatômicas de ressonância magnética de prótons e metabólicas de sódio via regularização de variação total direcional, resultando em reconstruções de imagens de sódio com maior qualidade, fidelidade estrutural e redução de tempo de aquisição para aplicações clínicas.