225 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。
这项基于“全人类”研究计划近 26 万参与者数据的研究表明，将社会决定因素与人口统计学特征相结合能显著提升慢性病风险预测的准确性，且不同疾病类型（心理健康与心脏代谢疾病）受社会因素影响的路径存在显著差异，从而支持采用针对特定病情的社会因素筛查与干预策略以消除健康差距。
该研究利用韩国国家健康保险数据，通过受控中断时间序列分析证实，基于社交媒体患者讨论构建的“肠健康”数字自我管理平台显著降低了肠易激综合征相关的急诊就诊率和未计划住院率，尤其在年轻成人和腹泻型患者中效果更为明显。
该研究通过对比基于大语言模型的 Brim Analytics 系统与基于本体的 DeepPhe 系统在胰腺癌和乳腺癌病理报告中的表现，证实了前者在多种注册变量提取上具有更高且更稳定的准确率，能够有效支持癌症登记数据的自动化处理流程。
该研究提出了一种基于贝叶斯推理的帕金森病数字孪生框架，通过引入置信门控机制在预测可靠性不足时主动抑制输出，从而在确保个体化多领域病程预测校准度与公平性的同时，为临床决策提供了具备可审计性和明确可靠性保证的治理型系统。
该研究通过对九种前沿语言模型在 Nature Medicine 分诊基准上的评估发现，聚合准确率指标掩盖了模型在误判方向、情境偏差及危机应对上的显著差异，表明仅凭整体准确率无法有效评估或预测其在临床安全方面的实际表现。
该研究通过结合特征选择与数据采样技术（如卡方检验和 SMOTE）优化深度学习模型，有效解决了 Medicare 欺诈数据不平衡问题，将检测准确率提升至 95.4% 并显著降低了过拟合风险。
这项针对加拿大 2847 名肠易激综合征患者的前瞻性队列研究，通过联合纵向 - 生存模型证实，个体基线症状严重程度及改善轨迹与停药风险动态相关，表明高基线严重程度和缓慢的改善速度显著预测更早的治疗中断。
本文提出了 HybridNet-XR，一种专为资源受限环境设计的轻量级混合卷积神经网络，通过无需教师模型的自监督学习策略，在显著降低显存占用的同时实现了高准确率的胸部 X 光多类疾病诊断。
这项针对新加坡亚历山大医院 28 名临床医生的定性研究探讨了环境人工智能（AI）病历助手在减轻文书负担、提升医患互动方面的潜力，同时揭示了其在准确性、多语言支持、工作流整合及符合 PDPA 法规等方面面临的挑战与实施建议。
该论文介绍了开源代理式人工智能助手 OpenScientist，它能够通过半自主地执行信息检索、数据分析和知识综合等任务，在数分钟内完成原本需人类耗时数周至数月才能完成的复杂生物医学研究，从而加速临床发现并生成可验证的科学见解。