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。
本研究介绍了 DXA Agent，这是一种通过平衡预测性能与测量负担来优化骨矿物质密度建模的智能体工作流，证明了在英国生物样本库（UK Biokbank）中，高成本效益的模型优于传统方法，同时在 NHANES 中保持了相当的结果。
这项随机混合方法研究表明，肿瘤学家对人工智能生成的文献综述的信任度和偏好更多地取决于报告的设计特征——例如简洁性、可验证的引用以及明确的不确定性——而非仅仅取决于准确性，这一点从证据分级报告的效用评分显著低于标准格式（尽管两者参考文献质量相似）中得到了证实。
本研究表明，对于临床筛查中自发语音的自我修复检测而言，经过微调且计算高效的 DistilBERT 编码器是比大型生成式大语言模型更可行且更具成本效益的解决方案，因为后者在性能和提示词敏感度方面存在显著差异。
本研究提出并验证了 ET-Emb，这是一种新型多模态人工智能框架，它通过整合结构化临床数据与非结构化文本嵌入，以准确预测肝细胞癌患者的最佳个性化治疗策略。
本文表明，用于 ICU 脓毒症管理的离线强化学习策略在面对日益增加的分布外严重程度偏移时，能够保持稳定的、对动作敏感的决策支持信号，这可以通过模型预测生存率的一致性以及尽管观察到的临床结果下降但生理稳定性评分有所提高来证实。
本文通过一项多中心试点研究评估了临床概念提取以及基于证据的术语链接，结果表明，尽管提取性能随匹配标准的不同而显著变化，但检索到的证据的存在情况会关键性地影响链接决策，且最初未匹配的术语往往代表的是合理的现有概念，而非真正的本体论新颖性。
本研究表明，对于由基于树的算法组成的超级学习器（Super Learner）集成而言，数据预处理在大多数临床数据集上对预测性能和神谕行为（oracle behavior）的提升微乎其微，这表明此类预处理并非普遍必要，且应由特定的数据集特征来引导。
本文介绍了 HPP 个人健康智能体（HPP Personal Health Agent），这是一种领域专门化的 AI 系统，它结合了群体层面的表型数据、专家临床工具以及声明式行为约束，以消除幻觉并在代谢健康报告中实现高准确度，证明了值得信赖的医疗 AI 需要严谨的、由评估驱动的系统架构，而非仅仅依赖于通用型语言模型。
该论文介绍了 LaBERT，这是一种基于 Transformer 的模型，它通过有效地学习具有临床意义的治疗效果并实现个性化临床决策支持，在根据纵向电子健康记录预测未来实验室测量值方面显著优于基准方法。
本研究利用基于大语言模型（LLM）的护理人员论坛帖子分析，揭示了失智症护理中的负担、未满足的需求以及系统性失效如何构成相互关联的生态系统，且这些因素因护理角色和关系而异，从而论证了采取综合支持策略而非孤立干预措施的必要性。