256 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。
本研究开发并外部验证了针对脑出血患者的24小时ICU死亡率预测模型，发现虽然多变量模型优于简单的临床基准，但常规凝血指标在标准临床和生理数据之外并未提供明确支持的增量预测价值。
本文介绍了 WHITE-Net，这是一个基于 3D ResUNet 的鲁棒且可扩展的深度学习框架，该框架在多样化的多中心 MRI 数据上进行了训练，能够在无需参数调优的情况下，实现高精度、泛化性强且快速的白质高信号自动分割。
本研究表明，利用常规收集的电子健康档案数据进行机器学习模型构建，能够有效支持实时静脉血栓栓塞症风险评估，其临床有效性与临床医生记录的因素相当，为在保持患者安全的同时减轻文档记录负担提供了一种可行的解决方案。
这项回顾性方法论案例研究调查了记录在案的证据处理错误如何影响了一项由大语言模型辅助的系统综述，证明了一个可审计的工作流成功地将错误检测与纠正关联至发布的输出结果，同时为未来的综述团队提供了操作规则。
本文通过利用 ABCD 研究来阐释如何通过严格的数据质量控制和透明的特征工程来解决诸如异常值处理、平台差异和方案偏差等挑战，为智能手机和可穿戴设备被动感知数据的预处理提供了原则性的建议，旨在提高青少年物质使用风险的预测能力。
该论文介绍了 HealthFlux，这是一个全模态世界模型，它通过整合多样化的多模态数据来学习人类健康的潜在动力学，从而持续更新统一的健康状态，实现对疾病和死亡率的高度准确的长期预测，并支持虚拟临床试验。
本研究验证了一个两阶段自动化筛选流程在自动排除系统评价中的记录方面能够实现与人工评审者完全一致的能力，同时也表明由于人类之间较低的评分者间一致性以及机器在剩余不确定案例中表现不佳，该系统无法可靠地识别纳入决策。
本研究表明，由多个大语言模型组成的专家组能够可靠且一致地评估品圈（Quality Control Circle）报告的方法论质量，在实现极高的模型间一致性的同时，与基于关键词的方法相比，能更有效地检测出人为植入的方法论缺陷。
本研究表明，将电子健康记录标准化为 OMOP 通用数据模型，能够有效地实现临床语言模型在不同英国数据集之间的迁移学习，尽管存在人口统计学差异和词汇限制，仍能在预测急诊住院再入院方面取得高预测性能。
这项概念验证研究引入并验证了 TIDE，这是一种基于嵌入的度量指标，它通过区分发散、收敛和稳定轨迹，成功地追踪了骨科指南与演进文献之间的时序对齐情况，同时阐明该度量反映的是主题转变而非证据方向。