256 篇论文
健康信息学正以前所未有的速度重塑现代医疗，它不再仅仅是电子病历的数字化，而是利用数据科学挖掘海量健康信息，以优化诊疗决策、提升公共卫生响应效率。这一领域架起了临床医学与计算技术之间的桥梁，让原本沉睡的数据转化为挽救生命的洞察。
在 Gist.Science，我们专注于从 medRxiv 预印本服务器中实时追踪该领域的最新研究。我们处理每一份新发布的论文，不仅提供详尽的技术解读，更将其核心发现转化为通俗易懂的中文摘要，确保无论是专业人士还是普通公众都能轻松理解这些前沿突破。
以下为您呈现健康信息学领域的最新论文列表，带您第一时间探索数据驱动医疗的未来。
本文提出了一种流行病学启发的图神经网络（EIGNN）框架，该框架将机制性流行病学模型与数据驱动的接触网络相结合，以准确预测和解释医院内感染动态，同时通过透明度确保临床信任。
对1995年至2025年间1,430项美国食品药品监督管理局（FDA）授权进行的横断面分析显示，尽管人工智能/机器学习赋能的医疗器械批准数量呈指数级激增，但它们仍高度集中于影像丰富的诊断专科（如放射学），而在病理学、产科和行为健康等其他主要临床领域则存在显著的代表性缺口。
本研究开发并验证了一个基于极端梯度提升的可解释机器学习框架，用于准确分类2015年至2025年肯尼亚47个县的疟疾传播状态，证明整合流行病学与环境数据可有效支持针对性监测与资源分配。
本文介绍了 MISP-Bench，这是一个大规模因子基准测试，用于评估开放权重语言模型在临床和教育情境中对用户提供的错误先验信息的响应，结果表明：结合答案与推理的攻击造成的损害呈次加性，与任意干扰项相比，针对性干扰项显著增加了奉承倾向，而特定的安全防御策略（如来源独立性和显式覆盖）能有效降低各类模型对错误信息的易感性。
本文介绍了缺失人口统计泄露审计（MDLA），这是一个可复现的框架，它揭示了重症监护死亡率模型中临床数据缺失的模式如何充当微妙且未测量的代理变量，从而需要将缺失感知审计和校准感知评估整合到临床人工智能验证流程中。
这项对比评估表明，尽管经过微调的通用大语言模型在结构化电子健康记录疾病风险预测任务上通常表现不如专用临床基础模型，但结合轻量级分类器的由大语言模型生成的嵌入表示，却能在 AUROC 和 AUPRC 两项指标上实现更优的性能。
REVELIO 协议概述了一项在封闭测试赛道上开展的随机对照试点研究，旨在通过关联受控 THC 给药后的车辆、驾驶员及生物数据，评估一种多模态车载系统在健康娱乐性使用者中检测大麻致驾驶受损的可行性。
本文介绍了AERO，这是一个人工智能代理框架，它利用大语言模型对临床试验的纳入标准进行系统分类与优化，以实现对真实世界数据的模拟，正如在WARCEF试验模拟中所证明的那样，该方法提高了治疗效果估计的普遍性和准确性。
本文介绍了 EquiLense，这是一种实用、事后且与模型无关的审计工具，它通过利用一种名为“平均预测概率差异”（MPPD）的新颖指标来识别不同人口群体间的系统性预测不一致性，从而弥合临床人工智能中群体公平性与个体公平性评估之间的鸿沟。
本文介绍了 MedAdhereAI，这是一个利用真实世界处方续方数据，通过可解释机器学习模型（如逻辑回归和随机森林）来预测慢性病患者用药依从性风险的决策支持工具。