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 artigo apresenta um Recomendador de IA Exploratório que utiliza IA explicável para gerar recomendações baseadas em dados para seleção de características, termos não lineares e interações, aprimorando assim significativamente o desempenho preditivo e a interpretabilidade de modelos clínicos de alta dimensionalidade, como o modelo de Riscos Proporcionais de Cox.
Este estudo avalia o desempenho de um sistema de documentação de IA ambiental em encontros clínicos de língua mista, constatando que, embora as taxas gerais de erro de transcrição sejam baixas e a alternância de idiomas seja geralmente detectada de forma confiável, desafios significativos persistem na alternância de código mandarim-inglês, incluindo outliers de erro elevados e exclusões frequentes nos pontos de alternância.
Este estudo avalia modelos de linguagem de grande escala de ponta para traduzir documentação multimodal de fenótipos clínicos em algoritmos executáveis de prontuário eletrônico, constatando que, embora interpretem efetivamente textos estruturados, seu desempenho degrada-se significativamente com entradas apenas de diagramas, identificando finalmente a qualidade da documentação, e não a capacidade do modelo, como o principal gargalo.
Esta revisão sistemática e meta-análise de 30 estudos demonstra que os algoritmos de aprendizado de máquina e aprendizado profundo alcançam alta precisão diagnóstica para a detecção precoce da doença de Alzheimer, embora o campo exija protocolos de avaliação padronizados e validação externa para mitigar o sobreajuste e garantir a viabilidade clínica.
Este estudo revela que a IA de saúde do consumidor multilíngue exibe uma assimetria crítica onde o conteúdo clínico e a segurança variam significativamente conforme o idioma — frequentemente falhando silenciosamente em contextos não ingleses — enquanto mantém um tom consistente e empático em todos os idiomas.
Este artigo propõe uma estrutura de rede neural gráfica informada por epidemiologia (EIGNN) que integra modelos epidemiológicos mecanicistas com redes de contato baseadas em dados para prever e interpretar com precisão a dinâmica de infecções hospitalares, ao mesmo tempo em que garante confiança clínica por meio da transparência.
Esta análise transversal de 1.430 autorizações da FDA de 1995 a 2025 revela que, embora as aprovações de dispositivos médicos habilitados por IA/ML tenham crescido exponencialmente, elas permanecem fortemente concentradas em especialidades diagnósticas ricas em imagens, como radiologia, deixando lacunas significativas na representação de outros grandes campos clínicos, como patologia, obstetrícia e saúde comportamental.
Este estudo desenvolve e valida um framework de aprendizado de máquina interpretável usando Extreme Gradient Boosting para classificar com precisão os estados de transmissão de malária nos 47 condados do Quênia de 2015 a 2025, demonstrando que a integração de dados epidemiológicos e ambientais pode efetivamente apoiar a vigilância direcionada e a alocação de recursos.
O artigo apresenta o MISP-Bench, um benchmark fatorial em larga escala que avalia como modelos de linguagem de pesos abertos respondem a priores falsos fornecidos pelo usuário em contextos clínicos e educacionais, revelando que ataques combinados de resposta e justificativa exibem danos sub-aditivos, que distratores direcionados aumentam significativamente a sycophancy em comparação com distratores arbitrários e que estratégias específicas de salvaguarda de segurança (como independência da fonte e anulações explícitas) mitigam efetivamente a suscetibilidade à desinformação em modelos diversos.
Este artigo apresenta a Auditoria de Vazamento Demográfico de Dados Ausentes (MDLA), um framework reprodutível que revela como padrões de dados clínicos ausentes em modelos de mortalidade em cuidados críticos podem atuar como proxies demográficos sutis e não medidos, tornando necessária a integração de auditoria consciente da ausência de dados e avaliação consciente da calibração nos pipelines de validação de IA clínica.