191 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 demonstra que um framework de aprendizado profundo multimodal baseado em mecanismos de atenção cruzada, que integra imagens de dermatoscopia com metadados clínicos do paciente, supera as estratégias de fusão convencionais e modelos unimodais, alcançando o melhor desempenho e calibração no diagnóstico automatizado de lesões de pele.
Este estudo de viabilidade descreve o processo de co-design, informado por inteligência artificial, para desenvolver um aplicativo de realidade virtual de mindfulness personalizado destinado a reduzir o sofrimento relacionado ao diabetes, identificando preferências de design e funcionalidades essenciais para futuras implementações.
Este estudo compara técnicas de regressão tradicionais e modelos de linguagem médica (MedLLMs) na previsão de risco cardiovascular e mortalidade, demonstrando que, embora modelos pré-treinados de grande porte e técnicas de boosting alcancem desempenho competitivo (até 85% de AUROC), a calibração é essencial para corrigir a superestimação sistemática de mortalidade observada nos LLMs.
Esta revisão sistemática demonstra que a heterogeneidade metodológica na implementação de critérios de detecção de sepse em bancos de dados clínicos gera taxas de identificação drasticamente diferentes, sublinhando a necessidade urgente de padronização nos relatórios e publicação de códigos fonte para garantir a reprodutibilidade da pesquisa.
Este estudo desenvolveu e validou um modelo de sobrevivência multimodal e interpretável, integrando dados clínicos, genéticos e socioeconômicos do programa "All of Us", que aprimora significativamente a estratificação de risco de cirrose, carcinoma hepatocelular e mortalidade em pacientes com hepatite C crônica, superando a avaliação baseada apenas no estágio de fibrose.
Este estudo utilizou dados do N3C para avaliar modelos de aprendizado de máquina na previsão de desfechos hospitalares de COVID-19, concluindo que, embora as características estruturadas dos registros eletrônicos ofereçam utilidade moderada para estratificação de risco de mortalidade, elas são insuficientes para prever o tempo de internação e que o uso de SMOTE para lidar com desequilíbrio de classes impõe uma compensação crítica entre discriminação e calibração.
Este estudo de coorte avaliou um novo modelo de cuidado híbrido, o "Digital Clinic", que combina telehealth síncrono com o aplicativo mindLAMP, demonstrando reduções estatisticamente significativas nos sintomas de depressão e ansiedade em mulheres grávidas e no pós-parto após oito semanas de tratamento.
Este estudo apresenta um framework de aprendizado profundo multimodal que combina dados de ressonância magnética e registros clínicos textuais por meio de transformadores visuais e modelos de linguagem adaptados para prever com maior precisão o risco de câncer de tireoide, superando os sistemas unimodais tradicionais.
Este estudo utiliza dados do programa All of Us para demonstrar que o tempo de uso de dispositivos vestíveis varia significativamente conforme fatores demográficos, socioeconômicos e de saúde mental, revelando que os limiares de conformidade atuais excluem desproporcionalmente dados de populações doentes e propondo um novo quadro metodológico flexível para mitigar esses vieses e promover a equidade na pesquisa de saúde digital.
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.