184 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。
该研究提出了名为 Sino-US-DrugQA 的双语基准数据集，通过包含 11,871 个基于中美药监法规的问答对，系统评估了大语言模型在跨司法辖区药物监管合规中的表现，发现尽管模型在单语查询中表现尚可，但在跨辖区对比推理任务上仍存在显著差距，表明当前技术尚需专家复核以支持高风险场景的部署。
该研究对比了随机森林（RF）与随机生存森林（RSF）在 ASPREE 试验中预测无残疾长寿结局的表现，发现两者在区分度和校准度上相当，表明引入时间因素的 RSF 并不总能比 RF 提供更准确的预测。
该研究通过在 4,018 名 NHANES 患者数据上对来自四大厂商的五种大语言模型进行基准测试，证实了基于标准化提示框架的 AI 生物标志物分析系统在不同供应商模型间均能保持临床级精度，从而验证了构建厂商无关的临床 AI 系统的可行性。
该研究提出了一种结合表型相似性与网络传播的计算流程，通过利用 Orphanet 疾病层级关系优化罕见病候选诊断排序，显著提升了诊断准确率及临床一致性。
该研究提出了一种基于大规模基础模型的深度学习框架，通过分解视网膜老化信号中的规范性年龄成分与生理变异成分，实现了对视网膜生物年龄的可解释性预测，并揭示了其与全身炎症及血流动力学变化等系统性健康因素的关联。
本研究利用机器学习算法，基于遗传、生活方式和生化指标开发并验证了一种神经健康评分（NHS）系统，该评分能有效量化神经系统健康状况并预测多种神经系统疾病的风险。
本文通过对比多种机器学习与统计学方法（如多重插补、自动编码器及KNN等），评估了其在食管癌患者报告结局（PRO）数据缺失值填补中的表现，旨在为提高该领域研究结果的有效性与可靠性提供循证建议。
这项研究通过对26个大语言模型进行双重安全评估发现，模型的抽象伦理推理能力（拒绝有害指令）与具体临床记忆能力（识别过敏风险）之间存在脱节，仅有极少数模型能同时通过两项测试，因此建议医疗AI认证应强制执行双重安全测试。
本研究通过对八年去隐私化特种药数据进行马尔可夫链建模，构建了一个以患者为中心的药物依从性风险预测框架，旨在识别受经济负担和行政障碍影响的患者，从而支持更公平的患者援助策略。
本文介绍了 BODHI，这是一个通过分解认知不确定性并应用基于美德的规则来增强临床决策支持 AI 的工程框架，该框架在受控评估中显著提高了模型的谦逊度、好奇心以及整体响应质量。