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.
A Plataforma de Vinculação de Grandes Dados de Saúde (HCDL) na Coreia do Sul aborda ineficiências sistêmicas ao integrar 13 bancos de dados nacionais por meio de um Terceiro Confiável e um processo de revisão centralizado, facilitando com sucesso um surto de aplicações de pesquisa multibanco para avançar na medicina de precisão e orientada por dados.
Este estudo com usuários envolvendo 39 clínicos demonstra que, embora as explicações baseadas em atribuição aumentem significativamente a confiança e a compreensão das previsões de aprendizado de máquina em contextos clínicos, quase metade dos participantes prefere visualizar múltiplos tipos de explicação, sugerindo que implementações futuras devem priorizar métodos de atribuição ao mesmo tempo em que oferecem formatos diversos adaptados a funções clínicas específicas.
Este estudo adaptou e validou psicometricamente com sucesso o Inventário de Prontidão para Telemedicina ao Nível da Instalação (TRI-F) utilizando dados de 774 unidades de atenção primária no Peru, demonstrando sua validade estrutural, consistência interna e utilidade para o benchmarking e para orientar o planejamento da implementação da telemedicina.
Este estudo de referência demonstra que, embora a conversão de dados do mundo real da Dinamarca, Finlândia e Portugal para o Modelo de Dados Comum OMOP permita comparações transnacionais semanticamente alinhadas para o cancro da mama e a ELA, não elimina a heterogeneidade subjacente dos dados, necessitando de uma avaliação de referência iterativa face aos dados nativos e à experiência clínica para garantir informações epidemiológicas válidas.
Este estudo demonstra que um fluxo de trabalho assistido por LLM, combinando buscas estruturadas com refinamento iterativo via GPT-4-Turbo, pode gerar de forma eficaz uma base de evidências vivas, rápida, escalável e relevante para políticas, sobre doenças transmitidas por alimentos sensíveis ao clima, com alto recall e consistência de triagem aprimorada.
O RenalTransLSTM é um framework de aprendizado profundo híbrido que combina as arquiteturas LSTM e Transformer para alcançar uma predição de horizonte múltiplo superior da lesão renal aguda em pacientes de UTI ao capturar efetivamente tanto a dinâmica temporal local quanto as dependências contextuais globais em registros eletrônicos de saúde.
Este estudo introduz o Biomarcador de Marcha por Distância de Embedding (EDGB), uma estrutura de aprendizado contrastivo supervisionado que utiliza uma rede neural convolucional compacta para extrair representações latentes robustas de 32 dimensões a partir de sinais brutos de IMU vestíveis, alcançando alta precisão na distinção entre padrões de marcha saudáveis, neurológicos e ortopédicos, ao mesmo tempo em que demonstra forte confiabilidade e diferenciação significativa entre grupos.
Este estudo de emulação de ensaio clínico utilizando dados do mundo real demonstra que a combinação de inibidores de PD-1/PD-L1 com inibidores da tirosina quinase VEGFR melhora significativamente o tempo de sobrevida média restrita em pacientes com carcinoma de células renais em comparação com a monoterapia com inibidor da tirosina quinase VEGFR, sustentando a generalizabilidade da terapia combinada apesar dos riscos não proporcionais.
O artigo apresenta o PulseOx-FM, um modelo de fundação autossupervisionado treinado em milhões de segmentos de oximetria de pulso vestíveis que supera os métodos existentes na previsão de diversos riscos de saúde cardiometabólica e neuropsiquiátrica, incluindo hipertensão futura e estados glicêmicos do dia seguinte, estabelecendo assim uma poderosa ferramenta não invasiva para a estratificação de riscos de saúde global.
Este artigo apresenta o Heterogeneous Gated Graph Transformer (HGGT), um modelo de aprendizagem profunda que aproveita relações complexas e de múltiplos tipos entre entidades biomédicas para melhorar significativamente a previsão do sucesso de ensaios clínicos em múltiplas fases.