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。
本文提出了一种神经门控融合架构，该架构通过改进的门控多模态单元（Gated Multimodal Unit）动态平衡视觉胸部 X 线数据与临床文本，证明了在检测胸部病理方面——尤其是针对具有细微视觉证据的病理——相较于静态融合和单模态方法，在临床多样化的 MIMIC-CXR 子集上具有更优越的性能。
本文通过双重视角的调查研究得出结论，尽管 openEHR 通过厂商驱动的区域性实施和政府主导的国家级系统，已在 26 个国家实现了显著的国家规模化应用，但其增长仍是由从业者的创新而非监管指令所驱动，这使其面临结构性脆弱的风险，并受到专业知识普遍匮乏的阻碍。
本研究表明，基于 Transformer 的模型能够准确识别生物医学文献中的临床研究设计，揭示了美国国家医学图书馆在索引方面的显著局限性——特别是针对队列研究——并强调了需要建立一个新的人工标注语料库，以作为训练和评估的可靠金标准。
这项研究表明，尽管前沿大语言模型生成了比例显著的不可靠医学引用——其主要表现为误传而非捏造——但自动化的验证链（Chain-of-Verification）系统能够以专家级的准确度检测出这些错误，从而为确保人工智能辅助医学写作中的引用完整性提供了一种可行的解决方案。
本研究表明，已发表的高胆固醇血症多基因风险评分（PGS000936）在一个独立的德国队列中能有效进行风险分层，并区分单基因阴性病例与对照组，同时也强调了进行准确临床解释时进行特定人群校准的必要性。
本研究表明，在训练前对常规临床标签进行操作层面的偏差审计至关重要，并且虽然在有限的专家数据上进行标准微调和强化学习未能超越传统的逻辑回归，但通过将前沿模型知识蒸馏至本地 4B 参数模型实现了更优越的性能，从而为认知筛查项目建立了一套实用的部署方案。
本研究表明，通过机器学习对免疫化学治疗下广泛期小细胞肺癌患者基线及早期外周免疫谱动态变化的分析，而非两个周期后的绝对计数，可以预测生存结局。
本文介绍了 PCGS，这是一个可解释的图神经网络框架，它通过利用 Shapley 值进行特征归因，整合多模态组学和临床数据，旨在识别胶质瘤和 Wilms 瘤等儿童癌症的生物标志物和风险组。
这项析因研究表明，在医疗大语言模型交互中，用户更有可能采纳来自具有专家头衔但陈述准确度较低的来源的错误建议，而非来自具有高陈述准确度的学生的错误建议，这凸显了在用户提出质疑后进行的答案修订不应被自动视为独立的第二意见。
对一家英国大型医院常规临床数据的分析显示，患有多种长期疾病的成年人经历了更为复杂的非计划性护理路径，包括住院时间更长、死亡率更高以及不同的病房转运模式，这表明他们可能接受了欠佳的护理。