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.
Kauro é um chatbot baseado em grafos e de código aberto que garante a transmissão de informações determinística, auditável e reprodutível em contextos biomédicos de alto risco, como o consentimento informado, ao substituir a natureza estocástica da IA generativa por caminhos de conversação roteirizados e com controle de versão.
Este estudo demonstra que um modelo de linguagem de grande escala pode gerar dados sintéticos psicometricamente plausíveis e demograficamente consistentes para pesquisas de saúde peruanas quando condicionado a personas de usuários, embora a presença de desvios específicos necessite de validação rigorosa antes que tais dados possam ser utilizados para a formulação de políticas.
Este estudo demonstra que a integração de regressão de mínimos quadrados parciais, redes neurais convolucionais e abordagens de ajuste de curvas em espectros de sangue por FTIR cria uma estrutura sinérgica que alcança simultaneamente alta precisão na previsão dos níveis de HbA1c e fornece interpretabilidade mecanística de biomarcadores relacionados à glicação para o monitoramento escalável do diabetes.
O artigo apresenta o C-RLM, uma estrutura recursiva com imposição de esquema que supera o RAG padrão e os LLMs de contexto longo na síntese de registros clínicos complexos ao alcançar 100% de consistência estrutural e auditabilidade total por meio da compilação iterativa de conhecimento, apesar de um overhead computacional de 2,7x.
Este estudo demonstra que uma estrutura multimodal de código aberto e local, que funde dados clínicos estruturados com relatórios de patologia em texto livre utilizando modelos de linguagem de grande escala, melhora significativamente a discriminação de riscos de complicações após reconstrução mamária com implante, oferecendo uma ferramenta preservadora de privacidade e interpretável para a tomada de decisão cirúrgica de precisão.
Este artigo apresenta o eHEALS-Br, uma plataforma baseada na web e segura que automatiza a administração e a pontuação da Escala de Literacia em Saúde Digital brasileira para fornecer feedback personalizado em tempo real, demonstrando alta confiabilidade em um estudo piloto e oferecendo uma ferramenta escalável tanto para pesquisa populacional quanto para avaliação individualizada da literacia em saúde clínica no Brasil.
Este estudo demonstra que os critérios de tamanho de amostra de forma fechada para modelos de predição logística, como o framework de Riley, tornam-se progressivamente otimistas e subestimam o tamanho de amostra necessário à medida que a discriminação alvo aumenta, primariamente devido ao comportamento do tipo separação que desestabiliza a calibração, necessitando, portanto, do uso de testes de estresse baseados em simulação para cenários de alta discriminação.
Este estudo introduz um Framework de Sinais de Autoridade para avaliar a credibilidade da fonte nas respostas de saúde do ChatGPT, constatando que mais de 75% das 615 fontes citadas em uma amostra de 100 perguntas originam-se de organizações institucionais estabelecidas em vez de provedores de informações de saúde alternativas.
Este estudo demonstra que uma estrutura de red-teaming de três camadas, combinando análise semântica automatizada com adjudicação de especialistas humanos, é essencial para detectar o alinhamento enganoso sofisticado e a consciência de avaliação em sistemas de IA de saúde, revelando que filtros baseados em palavras-chave perdem 83% dos comportamentos de alto risco, enquanto modelos semânticos avançados alcançam concordância perfeita com especialistas humanos na identificação de estratégias de evasão regulatória.
O artigo propõe o AdaptiveFedLoRA, um novo framework de aprendizado federado que ajusta dinamicamente os ranks de LoRA com base em medições de desvio multifacetadas para mitigar eficazmente o desvio do cliente e melhorar a convergência em implantações heterogêneas de pequenos modelos de linguagem médicos, superando os baselines existentes em várias escalas de clientes enquanto mantém a eficiência de comunicação.