health informatics 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。

该研究通过分析癌症同伴支持文本，发现仅针对复合负担目标的多任务学习模型在预测心理社会负担方面表现最佳，而引入辅助任务会降低性能，且基于大语言模型生成的软标签在情感分类任务中不如硬标签有效。

该研究开发了一个基于 Python 的可重复健康信息学工作流，通过模拟早期肿瘤临床试验中的临床、生物标志物及药代动力学多源数据，成功整合生成了分析就绪数据集、可视化图表及探索性预测模型，从而为早期肿瘤开发的决策支持分析提供了透明且实用的框架。

该研究利用 MIMIC-IV 数据库开发并评估了一种多模态机器学习模型，通过整合结构化电子病历数据与临床笔记文本特征，实现了对住院患者高阿片类药物暴露风险的高精度预测，从而有助于优化住院期间的阿片类药物管理。

该研究提出了一种结合梯度提升分类器与隐半马尔可夫模型的混合框架，仅利用自我报告症状数据即可在激素验证下实现月经周期四相分类，证明了低负担、无设备监测方案在资源受限环境中的可行性。

这项前瞻性试点研究表明，葡萄牙多学科临床医生对代理式 AI 临床助手"DR. INFO"在节省时间和辅助决策方面表现出高度满意，其净推荐值高达 81.2 且无负面评价，证实了该工具在临床实践中的潜力。

本文提出了 MedScope，一个针对开源轻量级大语言模型在医疗问答任务中的多维度评估基准，通过系统测试揭示了不同模型在性能、效率及鲁棒性上的显著差异，并指出当前模型尚不足以在无监督条件下直接部署于高风险医疗场景。

该研究开发并评估了一种结合微调 Bio-ClinicalBERT 分类器与大语言模型（LLM）修订的多阶段流程，利用本地部署的开源模型，有效克服了养老院文本消息的碎片化与不规范性挑战，显著提升了 Age-Friendly 4M 实体识别的准确性与可扩展性。

本文提出了 MedResearchBench，这是首个专为评估 AI 系统在涵盖 7 个临床领域、基于公开数据集及高质量论文构建的 16 项任务上执行符合临床规范的研究能力而设计的多领域基准，旨在填补现有基准在医学临床研究评估方面的空白。

本文介绍并验证了名为 VaaS 的多层幻觉减少流水线，该流水线通过在罕见病数据库构建中的迭代应用与严格基准测试，将 AI 辅助科学中的引用幻觉率降至近乎零，同时证明了其在生产规模下的高成本效益与可靠性。

瑞士儿科生长项目（SwissPedGrowth）证实了从瑞士多家儿童医院异构电子健康记录中提取高质量儿童人体测量数据的可行性，尽管数据完整性和跨机构标准化方面仍面临挑战，但经加权处理后该队列在人口学特征上能代表瑞士一般儿童人群。