193 artigos
Este estudo qualitativo revela que a credibilidade e a confiança na inteligência artificial na saúde dependem menos do desempenho técnico e mais de práticas de governança e supervisão humana contínua, conforme percebido por profissionais de cibersegurança que atuam como guardiões fundamentais da infraestrutura digital.
O estudo demonstra que os Modelos de Linguagem de Grande Escala (LLMs) apresentam um viés epidemiológico de países de alta renda, sugerindo diagnósticos menos relevantes para contextos de doenças respiratórias em países de baixa e média renda (LMICs) em comparação com médicos locais, mesmo quando informados sobre a localização geográfica.
O artigo apresenta o GEN-KnowRD, um framework inovador que utiliza modelos de linguagem para gerar perfis de doenças raras e construir uma base de conhecimento computável, superando significativamente os métodos atuais de reconhecimento e diagnóstico precoce ao desacoplar a construção do conhecimento da inferência clínica.
Este estudo demonstra a viabilidade de utilizar algoritmos de aprendizado de máquina para detectar variações clínicas injustificadas no tratamento de faringite viral aguda em crianças, utilizando dados contextuais de registros eletrônicos de saúde para identificar prescrições inadequadas de antibióticos sem a necessidade de agregação centralizada de dados.
Este estudo apresenta uma estrutura escalável baseada em dados do mundo real extraídos de prontuários eletrônicos que reconstrói linhas de terapia metastática e gera estimativas individuais de sobrevida livre de progressão, permitindo uma estratificação de risco precisa e interpretável para o câncer de mama metastático em subgrupos heterogêneos.
O artigo apresenta o PhenoSS, uma abordagem estatística baseada em cópula Gaussiana que utiliza a Ontologia de Fenótipos Humanos (HPO) para melhorar a priorização de doenças raras e o agrupamento de pacientes, abordando desafios como a estrutura hierárquica dos termos, dependências correlacionadas e efeitos de lote.
O artigo apresenta o RareDAI, uma abordagem que utiliza modelos de linguagem grandes (LLMs) ajustados com auto-distilação e raciocínio em cadeia (CoT) para interpretar diretrizes clínicas e auxiliar na tomada de decisão sobre testes genéticos para doenças raras, superando significativamente os modelos tradicionais em precisão e interpretabilidade.
Este artigo apresenta o método DIP-Fusion, uma abordagem baseada em Deep Image Prior que integra informações anatômicas de ressonância magnética de prótons e metabólicas de sódio via regularização de variação total direcional, resultando em reconstruções de imagens de sódio com maior qualidade, fidelidade estrutural e redução de tempo de aquisição para aplicações clínicas.
O estudo avalia três modelos de linguagem de grande escala na refutação de mitos sobre vacinas, constatando que, embora todos demonstrem alta precisão científica e capacidade de desmentir informações falsas, a complexidade linguística e a adaptação ao estilo de comunicação variam entre os modelos, sugerindo a necessidade de otimização para garantir acessibilidade em canais de saúde pública.
Este estudo avalia a viabilidade do uso de modelos de linguagem grandes para categorizar as edições feitas por clínicos em rascunhos de notas gerados por IA ambiental, demonstrando que, embora a engenharia de prompts seja eficaz para categorias com pistas explícitas como medicamentos e sintomas, ela é mais adequada para triagem em casos complexos que exigem revisão humana.
Este estudo avaliou a implementação da tecnologia de resposta aumentada por IA da Epic em um hospital acadêmico holandês, revelando que, apesar de uma adoção inicial elevada e de alguns benefícios percebidos na qualidade do texto, a ferramenta teve impacto limitado na eficiência clínica e no bem-estar dos profissionais de saúde, com taxas de uso e satisfação declinando ao longo do tempo devido a barreiras como imprecisões de conteúdo e desalinhamento estilístico.
Este artigo propõe um modelo de aprendizado profundo orientado por teoria clínica que, ao operacionalizar construtos sociais e motores em componentes latentes distintos e integrá-los por meio de mecanismos de atenção estruturados, alcança previsão de severidade do autismo com desempenho superior e perfis de sintomas interpretáveis que alinham a inteligência artificial ao raciocínio clínico.
O artigo "Artificial Intelligence in Healthcare: 2025 Year in Review" analisa a maturação acelerada da pesquisa em IA na saúde em 2025, destacando o crescimento exponencial de publicações, o declínio dos modelos de aprendizado de máquina clássicos em favor de modelos fundamentais multimodais e a transição de estudos exploratórios para aplicações no mundo real, especialmente nas áreas de imagem e especialidades clínicas diversas.
Este estudo demonstra que a engenharia de recursos automatizada via Deep Feature Synthesis melhora significativamente a discriminação, calibração e utilidade clínica dos modelos de árvores de gradiente para prever reinternações por insuficiência cardíaca em dados longitudinais de prontuários eletrônicos, superando abordagens baseadas em recursos curados manualmente.
Este estudo de coorte concluiu que o tipo de resposta editorial (aviso, nota de preocupação ou retratação) emitida por periódicos para abordar preocupações de integridade não influencia a taxa de declínio de citações subsequentes, a qual não difere significativamente da queda natural observada em ensaios controlados aleatórios de controle.
Este estudo propõe uma arquitetura de informática em saúde orientada por governança e calibrada com dados do mundo real, que supera as limitações das previsões estáticas tradicionais ao modelar dinâmicas longitudinais de fluxo de pacientes, adesão e recorrência para gerar estimativas mais precisas de utilização em oncologia e condições crônicas complexas.
O artigo apresenta o SO_SCPLOWTRATC_SCPLOWCP, um framework de conformidade estratificada que transforma previsões de modelos fundamentais médicos em decisões seguras ao controlar a taxa de falsas descobertas para ações imediatas e oferecer conjuntos de previsão calibrados para casos deferidos, garantindo segurança clínica e eficiência de recursos em diversas especialidades.
Este estudo demonstra que, embora a robustez das representações de termos médicos em modelos de linguagem locais siga uma lei de escala log-linear, nem o tamanho do modelo nem o ajuste fino médico garantem confiabilidade clínica, exigindo validação específica baseada na complexidade terminológica e no subdomínio para aplicações seguras.
O estudo conclui que o Questionário de Regularidade do Sono (SRQ) apresenta validade convergente modesta com diários de sono e percepção de qualidade, mas uma correspondência fraca com métricas objetivas de regularidade obtidas por dispositivos vestíveis, sugerindo que ele deve complementar, e não substituir, o monitoramento objetivo em adultos saudáveis.
Este estudo randomizado demonstra que o uso de modelos de linguagem grandes (LLMs) para simplificar laudos radiológicos melhora significativamente a legibilidade e a compreensão dos pacientes, mantendo alta precisão factual e atendendo à forte demanda por informações de saúde mais acessíveis.