health informatics 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。

这项研究表明，一种整合了人体测量数据与进餐时间及饮食习惯的可解释 XGBoost 机器学习模型，能够准确预测心血管代谢风险，并识别出较晚的晚餐时间、不规律的进餐安排以及较低的进餐频率是关键的可干预行为风险因素。

这项横断面研究利用自然语言处理技术分析了超过30,000条眼科安全消息，结果显示，虽然行政事务在沟通中占据主导地位，但临床关注点随患者人口统计特征的变化而显著不同，这凸显了在眼科护理中提高分诊安全性和公平性的机遇。

本研究表明，医疗记录中未经人工审核的 AI 生成数据会产生一种自我指涉循环，从而迅速侵蚀病理变异性和诊断可靠性，导致关键发现消失且误导性乐观率增加至三倍，进而使得若无强制性人工监督，AI 生成的文档在临床上将毫无价值。

Kauro 是一个基于图结构的开源聊天机器人，它通过用版本控制的、脚本化的对话路径取代生成式人工智能的随机性，确保在知情同意等高风险生物医学场景中实现确定性、可审计且可复现的信息传输。

本研究表明，在以用户画像为条件的情况下，大语言模型能够为秘鲁健康调查生成具有心理测量学合理性且人口统计学一致性的合成数据，尽管特定偏差的存在使得此类数据在用于政策制定之前必须经过严格的验证。

本研究表明，将偏最小二乘回归、卷积神经网络和曲线拟合方法整合应用于红外光谱（FTIR）血液光谱，构建了一个协同框架，在实现高精度预测糖化血红蛋白（HbA1c）水平的同时，为可扩展的糖尿病监测提供了糖基化相关生物标志物的机制解释性。

本文介绍了 C-RLM，这是一个具有模式强制性的递归框架，通过迭代式知识编译，尽管其计算开销增加了 2.7 倍，但仍实现了 100% 的结构一致性和完全的可审计性，在合成复杂临床记录方面超越了标准的 RAG 和长上下文大语言模型。

本研究表明，一种利用大语言模型将结构化临床数据与自由文本病理报告相结合的本地化、开源多模态框架，显著提高了乳房植入物重建后并发症风险的辨别能力，为精准外科决策提供了一种保护隐私且具有可解释性的工具。