193 artigos
Este estudo demonstra que uma abordagem de modelos de linguagem multi-agente orquestrada pela teoria dos jogos de Nash melhora a segurança e a eficiência dos planos de cuidado para pacientes do Medicaid, embora não tenha gerado automaticamente maior equidade, indicando que a justiça social exige atenção explícita no design do sistema.
O estudo AutoscriberValidate demonstrou que o uso do scribe digital ambiental Autoscriber reduziu a carga de trabalho dos profissionais de saúde e melhorou a qualidade das notas médicas, diminuindo significativamente a maioria dos erros.
Este estudo demonstra que modelos de linguagem e visão comerciais são vulneráveis a ataques de injeção de texto via OCR em imagens de ressonância magnética, onde o texto sobreposto domina indevidamente a análise visual e compromete a precisão diagnóstica, revelando que as defesas atuais por prompts são insuficientes para garantir a segurança clínica.
Este estudo transversal com 500 pacientes na Jordânia revela que, embora exista uma aceitação condicional da inteligência artificial na saúde, impulsionada pela sua utilidade percebida, os participantes preferem que a tecnologia atue como suporte aos médicos em vez de substituí-los, sendo a prontidão para adoção fortemente influenciada pela confiança, transparência e competências digitais.
Este estudo desenvolveu e validou um modelo híbrido inovador que combina SARIMA e CNNAR para prever com alta precisão a incidência mensal de tuberculose no Nepal, superando outros métodos de previsão e fornecendo uma ferramenta essencial para o planejamento de saúde pública e a alocação de recursos.
O MedOS é um modelo de mundo corporificado baseado em IA que integra raciocínio clínico e intervenção física para democratizar a expertise médica, reduzir a lacuna de desempenho entre profissionais e permitir a execução autônoma de procedimentos clínicos complexos.
Este estudo demonstra a viabilidade técnica de um pipeline totalmente automatizado que utiliza modelos de linguagem para gerar revisões sistemáticas com qualidade superior à de autores humanos em certas métricas, ao mesmo tempo em que alerta para limitações críticas, como a repetição de conteúdo e a necessidade urgente de novos padrões de verificação e transparência na publicação científica.
Este estudo propõe e avalia dois métodos para lidar com inconsistências nas idades de início de doenças em pesquisas de saúde longitudinais: um sistema de pontuação de confiabilidade para estratificar participantes e um ajuste bayesiano para corrigir relatos inconsistentes, demonstrando que ambas as abordagens melhoram significativamente a análise de dados do estudo CanPath.
Este estudo analisou mais de 342 mil avaliações de usuários em aplicativos de tinnitus usando um modelo de rede neural gráfica para identificar que, embora as funcionalidades terapêuticas sejam bem avaliadas, questões como preços, anúncios e estabilidade técnica geram feedback predominantemente negativo, oferecendo assim diretrizes acionáveis para desenvolvedores e clínicos.
Este protocolo descreve um ensaio clínico randomizado que visa avaliar se uma ferramenta de resumo de prontuários baseada em inteligência artificial generativa integrada ao sistema Epic reduz a carga cognitiva e o burnout de provedores ambulatoriais em comparação com o cuidado usual.
Este estudo, baseado em entrevistas com 30 clínicos, revela que as edições em rascunhos de notas clínicas gerados por IA ambiental são impulsionadas principalmente pela necessidade de corrigir erros de precisão clínica, mitigar riscos médico-legais e atender a padrões de cobrança, destacando a urgência de melhorias na confiabilidade do modelo, personalização e integração com os registros eletrônicos de saúde.
Este estudo apresenta um framework de emulação de ensaios clínicos baseado em agentes autônomos que utiliza modelos hierárquicos bayesianos para calibrar estimativas de registros eletrônicos de saúde com resultados de ensaios randomizados, permitindo a aprendizagem sistemática de efeitos específicos de sistemas de saúde e reduzindo significativamente erros de previsão.
O estudo apresenta o CardioPulmoNet, uma arquitetura de rede neural inspirada no acoplamento fisiológico cardiopulmonar que, ao integrar características locais e globais com regularização homeostática, demonstra aprendizado de representações estáveis e discriminativas para diagnóstico histopatológico, especialmente em cenários com dados limitados.
Este estudo propõe um pipeline de aprendizado de máquina interpretável, baseado no algoritmo XGBoost e em dados sintéticos, para a detecção precoce e não invasiva da Doença Hepática Gordurosa Não Alcoólica (DHGNA) e de suas comorbidades associadas, oferecendo uma ferramenta acessível e explicável para aplicação clínica.
O estudo valida o fluxo de trabalho otto-SR baseado em modelos de linguagem grandes (LLMs), demonstrando que ele supera pesquisadores humanos na precisão de triagem e extração de dados, permitindo a reprodução rápida e a atualização escalável de revisões sistemáticas.
Uma análise de posts no Reddit revela que, embora ambientes naturais possam aliviar a ansiedade social em jovens, eles também podem desencadear sintomas devido ao medo de julgamento, indicando a necessidade de intervenções baseadas na natureza que sejam cuidadosamente adaptadas às preocupações específicas de avaliação social.
Este estudo exploratório utilizou rastreamento ocular e protocolos de pensamento em voz alta para demonstrar que, durante a triagem de suicídio, os clínicos de atenção primária direcionam significativa atenção ao prontuário eletrônico para verificar dados, o que frequentemente adia a discussão direta com o paciente até a confirmação dos resultados.
Este estudo demonstra que a integração de conhecimento especializado de clínicos com algoritmos de aprendizado de estrutura causal permite desenvolver modelos preditivos parcimoniosos e interpretáveis para a disfunção cerebral aguda adquirida em unidades de terapia intensiva pediátrica, alcançando desempenho comparável ao de modelos mais complexos com um número significativamente menor de biomarcadores.
O artigo apresenta o ED-Triage-Agent (ETA), um framework de IA multiagente projetado para aprimorar a colaboração humano-máquina na triagem de emergências, automatizando a coleta de histórico do paciente e auxiliando na classificação de acuidade (ESI) com raciocínio clínico explicável, preservando a autonomia do profissional.
O artigo apresenta o Lilo Engine, um pipeline terapêutico determinístico de cinco camadas projetado para ambientes de assistência a idosos que, ao substituir orquestradores multiagentes por invariantes estruturais rígidas, alcança detecção de crises com 100% de recall e latência de 28,7 ms, garantindo segurança e rastreabilidade auditável.