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。
该研究利用美国国家 COVID 队列协作（N3C）的 26 万余例住院患者数据，通过多种机器学习模型分析发现，尽管常规结构化电子病历特征对预测住院死亡率具有中等区分度，但难以有效预测住院时长，且过采样技术（SMOTE）在提升召回率的同时会牺牲模型的区分度与校准性，提示临床机器学习研究需综合报告阈值相关指标以优化风险分层。
这项研究评估了一种结合同步远程医疗与异步移动应用（mindLAMP）的混合护理模式（Digital Clinic），结果显示该模式能显著降低围产期女性的抑郁和焦虑症状，证明了其在提供可及且有效的循证母婴心理健康护理方面的潜力。
该研究提出了一种结合视觉 Transformer 提取 MRI 影像特征与领域自适应大语言模型处理临床文本的深度学习框架，通过跨模态注意力机制融合多源数据，显著提升了甲状腺癌术前良恶性预测的准确性与决策可靠性。
该研究利用"All of Us"项目中的 Fitbit 数据，首次系统揭示了人口学、社会经济及心理健康等因素对可穿戴设备佩戴时长的显著影响，指出传统合规阈值会加剧疾病人群的数据偏差，并据此提出了一套包含动态阈值与统计校正在内的灵活框架，以优化数据保留并推动数字健康研究的公平性。
该研究利用英国 1900 多万成年人的电子健康记录，开发并内部验证了 CHARIOT 模型，该模型结合生存分析与因果推断，能够量化预测不同干预措施（如启动他汀类药物、降压或戒烟）对个体未来 10 年心血管风险的具体降低幅度，从而推动以患者为中心的可行动预防策略。
该论文提出了一种名为 TDA Engine v2.1 的计算框架，利用拓扑数据分析技术识别被删减流行病学数据中的结构性空白，并通过结合时间分类与因果推断机制，有效区分了数据缺失是源于随机波动还是系统性抑制。
该研究在固定模型参数的前提下，通过对比通用 deliberative 与特征专家两种多智能体协议，证实了内部角色分解作为一种结构化归纳偏置，能够独立重塑大语言模型在临床分类任务中的误差分布并显著调节灵敏度与特异性的权衡。
该研究通过构建包含 8 类攻击策略的医疗 AI 对抗测试框架，系统评估了主流大语言模型在临床场景下的安全护栏，发现尽管模型对多数攻击具有较强抵抗力，但在“权威身份伪装”（尤其是教育场景）下存在显著漏洞，表明安全改进应聚焦于针对特定语境的行为调控而非单纯的事实准确性。
该研究利用 AI-READI 数据集，通过结合 K-means 聚类与 XGBoost 的迭代标签清洗方法纠正了“健康”组标签中的 56.9% 误分类，并构建了一个融合卷积与双向长短期记忆网络（Conv+BiLSTM）的深度学习框架，实现了对连续血糖监测数据中糖尿病前期状态的高精度（ROC-AUC 约 0.932）分类与早期干预。
该研究提出了一种结合因果推断、可解释效应树与校准评估的部署就绪框架，利用大规模围手术期数据区分可行动与不可靠的异质性，从而在个性化治疗选择中实现从“黑箱”预测到可信决策支持的转变。