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.
Este estudo apresenta um modelo de Cadeia de Markov baseado em dados anonimizados para prever o risco de não adesão medicamentosa, identificando como barreiras financeiras e administrativas impactam a continuidade do tratamento em pacientes com condições crônicas ou raras.
O artigo apresenta o BODHI, um framework de engenharia que aprimora a IA de suporte à decisão clínica ao decompor a incerteza epistêmica e aplicar regras baseadas em virtudes, o que melhora significativamente a humildade, a curiosidade e a qualidade geral das respostas do modelo em avaliações controladas.
Este estudo demonstra que um modelo de aprendizado de máquina XGBoost explicável, que integra dados antropométricos com o tempo das refeições e hábitos alimentares, prevê com precisão o risco cardiometabólico e identifica horários tardios de jantar, cronogramas de refeições irregulares e baixa frequência de refeições como principais fatores de risco comportamentais modificáveis.
Este estudo transversal utilizou processamento de linguagem natural para analisar mais de 30.000 mensagens seguras de oftalmologia, revelando que, embora questões administrativas dominem a comunicação, as preocupações clínicas variam significamente de acordo com a demografia dos pacientes, destacando oportunidades para melhorar a segurança da triagem e a equidade nos cuidados oculares.
Este estudo demonstra que dados gerados por IA não curados em prontuários médicos criam um ciclo autorreferencial que erode rapidamente a variabilidade patológica e a confiabilidade diagnóstica, fazendo com que achados críticos desapareçam e as taxas de falsa tranquilidade tripliquem, tornando, assim, a documentação gerada por IA clinicamente inútil sem supervisão humana obrigatória.
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.