256 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 artigo apresenta o MIPA, o primeiro conjunto de dados público e padronizado para fenotipagem em prontuários eletrônicos, que oferece anotações clínicas de alta qualidade em 16 fenótipos para avaliar e comparar métodos automatizados, demonstrando que os modelos de linguagem de grande escala (LLMs) superam abordagens tradicionais na maioria dos casos.
Este estudo qualitativo realizado em Uganda revela que, embora as tecnologias móveis ofereçam oportunidades significativas para melhorar a vigilância de fatores de risco de doenças não transmissíveis em contextos de recursos limitados, sua implementação responsável exige a superação de desafios éticos, legais e sociais relacionados à privacidade, consentimento, equidade e governança de dados.
Este estudo bibliométrico revela um lacuna crítica na intersecção entre aprendizado de máquina, IA explicável e grafos de conhecimento para a previsão de risco de diabetes tipo 2, propondo um novo framework conceitual que integra grafos de conhecimento para superar a desconexão entre explicações estatísticas e raciocínio clínico estruturado.
Este estudo utiliza a Análise da Curva de Decisão (DCA) em dados do MIMIC-IV para demonstrar que modelos de aprendizado de máquina, ao serem avaliados por seu benefício líquido em vez de apenas métricas de discriminação, podem otimizar fluxos de trabalho clínicos reais e definir limiares operacionais viáveis para prever a transferência de pacientes da UTI no dia seguinte.
Este estudo avaliou a usabilidade do Trialshub, uma plataforma baseada em LLM para correspondência de ensaios clínicos, concluindo que, apesar de desafios técnicos e de design identificados, a ferramenta demonstra grande potencial para otimizar a descoberta de ensaios e os fluxos de recrutamento.
Este estudo demonstra que o modelo de linguagem auto-supervisionado Wav2Vec 2.0 é altamente eficaz na estimativa robusta de gênero e na preservação de estruturas relacionadas à idade em fala patológica conectada, embora apresente limitações e viés sistemático na estimativa de idade durante tarefas de fonação de vogais sustentadas.
Esta pesquisa de grande escala e internacional revelou que, embora a maioria dos pesquisadores de Medicina Tradicional, Complementar e Integrativa (TCIM) reconheça o potencial dos chatbots de IA generativa para reduzir a carga de trabalho e aumentar a eficiência, há uma necessidade significativa de treinamento institucional para superar desafios como viés e erros.
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 retrospectivo utilizou dados reais de prontuários eletrônicos de saúde de uma base nacional dos EUA para desenvolver e avaliar modelos de aprendizado de máquina, demonstrando que é possível prever com alta precisão (AUC de 0,95) quais consultas ambulatoriais serão perdidas ou canceladas, permitindo otimizar a gestão de agendamentos.
Este estudo prospectivo demonstrou que uma plataforma baseada em blockchain com tokens intransferíveis (SBTs) permitiu a agregação rápida, global e econômica de julgamentos de especialistas em coluna, validando a coerência clínica dos dados e quantificando a variabilidade nas decisões de tratamento.