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。
这项针对传统、补充及整合医学期刊编辑的横断面调查显示，尽管编辑们普遍认可人工智能在语言校对和伦理筛查等常规编辑工作中的潜力，但受限于缺乏具体政策、培训及伦理障碍，其实际采纳率仍然较低。
这项基于社会技术系统理论的研究通过对 20 名网络安全专业人士的定性访谈，揭示了医疗人工智能的公信力并非仅取决于技术性能，而是依赖于通过可见问责制和持续治理来构建的制度信任。
本文提出了一种结合解剖学引导的质子 MRI 与代谢引导的钠 MRI 的 DIP-Fusion 框架，通过方向全变分正则化有效解决了钠 MRI 信噪比低和扫描时间长的问题，显著提升了加速采集下的图像重建质量与临床可行性。
该研究评估了利用大语言模型对临床医生修改环境 AI 生成的病历草稿进行句子级分类的可行性，发现通过提示工程可有效识别药物和症状等明确类别的编辑，但在处理复杂或边界模糊的编辑时更适合作为人工审查的筛选工具。
该综述指出，2025 年医疗人工智能研究发表量近乎翻倍，领域正从传统机器学习向多模态基础模型加速演进，标志着 AI 研究从探索性开发迈向更贴近复杂临床实践的真实世界应用成熟阶段。
这项队列研究表明，期刊针对学术不端问题发布的不同类型的编辑回应（如编辑通知、关注声明或撤稿）并未导致被引用率出现显著差异，其下降趋势与未受影响的对照组相似，且迟发的编辑通知未能有效阻止后续引用。
该研究提出了一种基于治理驱动和真实世界数据校准的健康信息学框架，通过整合纵向患者流建模、持久性暴露估算及多源校准，显著提升了肿瘤及复杂慢性病领域医疗利用预测的准确性，有效克服了传统静态市场份额模型在捕捉治疗序列、复发再入及医生采纳动态等方面的局限性。
该研究评估了 15 个可本地部署的医疗大语言模型，发现模型规模和医学微调并非临床鲁棒性的可靠指标，其表现显著受术语复杂度和子领域影响，因此安全部署需针对具体用例进行验证。
该研究利用纳什博弈框架协调多个专用语言智能体，在严格保障数据隐私的前提下，成功为美国医疗补助计划患者生成了在安全性和效率上更优的护理计划，但结果表明这种多目标优化方法无法自动解决公平性问题，需在设计中予以特别关注。
这项名为 AutoscriberValidate 的研究表明，使用环境数字文书系统 Autoscriber 显著降低了医疗提供者的打字工作负担，并减少了电子病历中各类错误的出现频率，从而提升了病历质量。