193 artigos
Este estudo qualitativo com pacientes e profissionais de saúde revela que, embora existam desafios na avaliação da mielopatia espondilótica cervical, há um consenso sobre o grande potencial das tecnologias móveis para monitoramento longitudinal e objetivo, desde que sejam desenvolvidas com foco na usabilidade e na integração clínica.
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.
Este estudo quasi-experimental longitudinal demonstrou que a adoção de scribes de IA ambiente por clínicos de atenção primária resulta em uma redução progressiva e persistente do tempo de documentação e do trabalho fora do horário, além de um aumento gradual na produtividade financeira ao longo de 150 dias, evidenciando um processo contínuo de adaptação a essa tecnologia.
O TDA Engine v2.1 é um framework computacional baseado em topologia que detecta e classifica "vazios estruturais" em dados epidemiológicos censurados, distinguindo lacunas naturais de supressão sistemática através de análise temporal e inferência causal para orientar investigações de saúde pública.
Este estudo demonstra que a decomposição estrutural de papéis em sistemas multi-agente de modelos de linguagem atua como um viés indutivo que altera significativamente as distribuições de erro e os trade-offs entre sensibilidade e especificidade em tarefas de classificação clínica, sem a necessidade de modificar os parâmetros do modelo.
Este estudo apresenta uma avaliação sistemática de segurança de modelos de linguagem em contextos médicos, revelando que, embora a maioria dos ataques adversariais seja bloqueada, os sistemas são vulneráveis à falsificação de autoridade, especialmente quando o pedido é enquadrado como uma questão educacional, o que exige aprimoramento das salvaguardas para lidar com mudanças comportamentais baseadas no contexto.
Este estudo demonstra que, embora os grandes modelos de linguagem apresentem alto desempenho em aplicações médicas, sua compreensão dos conceitos médicos é fragmentada, revelando lacunas significativas na semântica que só podem ser detectadas por meio de avaliações fundamentadas em ontologias.
Este estudo apresenta um framework híbrido que combina limpeza iterativa de rótulos via aprendizado não supervisionado e supervisionado com um modelo de Deep Learning (Conv+BiLSTM) para corrigir imprecisões nos dados do conjunto AI-READI e aprimorar significativamente a precisão do diagnóstico de prediabetes a partir de dados de monitoramento contínuo de glicose.
Este estudo avalia que, embora técnicas de correção de desequilíbrio de classes não melhorem a discriminação de modelos preditivos em cirurgias, elas comprometem severamente a calibração das probabilidades, levando a superestimação de riscos e menor benefício clínico em comparação com modelos treinados na distribuição natural dos dados.
Este estudo avalia que exigir citações verbais verificáveis em modelos de linguagem para classificação de elegibilidade de ensaios clínicos oncológicos cria um rastro de auditoria automatizado e aumenta a confiança nas previsões, embora reduza a cobertura e introduza falhas dependentes do modelo.
Este estudo analisa dados de wearables e avaliações ecológicas de 3.139 participantes para demonstrar que os fatores que influenciam o humor são altamente heterogêneos entre indivíduos, levando ao desenvolvimento do "MoodDriver", um sistema baseado em modelos de linguagem que gera feedback personalizado para promover a saúde mental de precisão.
Este estudo apresenta um framework de prontidão para implantação que integra inferência causal, árvores de efeito e calibração para distinguir heterogeneidade acionável de ruído estatístico, permitindo a seleção personalizada e confiável de tratamentos em medicina perioperatória.
O estudo demonstra que um modelo de linguagem grande de 20 bilhões de parâmetros, implantado localmente com uma estratégia de prompt focada em sensibilidade, é uma ferramenta promissora e significativamente mais rápida para a triagem automatizada de resumos em revisões sistemáticas, embora sua precisão varie conforme a objetividade dos critérios de inclusão e a necessidade de validação contínua.
Uma pesquisa transversal com editores de revistas de medicina tradicional, complementar e integrativa revela que, embora a maioria reconheça o potencial futuro da inteligência artificial para tarefas editoriais rotineiras, sua adoção atual permanece limitada devido à falta de políticas específicas, treinamento e barreiras éticas.
Este estudo utiliza a base de dados ECHILD para descrever a coorte nacional de crianças solicitantes de asilo não acompanhadas na Inglaterra entre 2005 e 2021, caracterizando sua demografia e avaliando as taxas de vinculação entre os registros de cuidado social, educação e saúde, revelando que apenas uma fração desses jovens, principalmente os mais velhos, está registrada no sistema escolar estatal, o que limita a análise integrada de seus resultados.
O artigo apresenta o EmulatRx, um framework baseado em inteligência de agentes que utiliza dados do mundo real para automatizar e aprimorar iterativamente o design de ensaios clínicos, demonstrando sua eficácia no tratamento de doenças agudas e crônicas.
Este artigo apresenta um quadro abrangente para transferência de aprendizado entre conjuntos de dados em classificação de intensidade emocional, que utiliza modelos generativos condicionados por prompts e transformações heurísticas para superar a escassez de dados, demonstrando que a Augmentação Generativa Condicionada (CGA) alcança os melhores resultados em precisão e F1 enquanto equilibra fluência e fidelidade afetiva.
Este estudo propõe um quadro interpretativo que adapta o modelo de dois processos da regulação do sono para transformar dados longitudinais de dispositivos vestíveis (Fitbit) em escores biologicamente relevantes de processos circadianos e homeostáticos, permitindo a análise de padrões de sono em larga escala e sua associação com condições de saúde como a depressão.