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。

该研究通过可用性测试评估了基于大语言模型的 Trialshub 平台，结果显示其对话式设计能有效降低认知负荷并优化临床试验招募流程，但也指出了在系统稳定性、交互引导及记忆功能等方面需改进的设计问题。

该研究评估了基于 Wav2Vec 2.0 的自监督语音模型在帕金森病诊断导向录音中估计年龄和性别的能力，发现其能稳健地识别性别并在连续语音中保留年龄结构，但在持续元音发音任务中存在年龄估计偏差。

这项针对传统、补充和整合医学（TCIM）研究人员的大规模国际横断面调查显示，尽管大多数受访者认可生成式人工智能聊天机器人能减轻工作负担并提高效率，但同时也对其潜在的偏见和错误表示担忧，并强烈呼吁加强相关培训以应对机构支持不足的现状。

该研究报告指出，芬兰某基于检索增强生成（RAG）的医疗 AI 助手在临床查询中存在显著的性别偏见，不仅导致对女性变体的回答过度关联育儿与生殖健康等刻板印象，还因检索与生成阶段的偏差引发了临床语境误判及幻觉问题。

这项研究利用美国国家电子健康记录数据库，通过比较多种机器学习模型（特别是 XGBoost），证实了基于常规临床数据可高精度预测门诊未使用预约，从而为优化医疗资源管理提供了依据。

该研究通过基于区块链技术的众包平台，成功聚合了全球脊柱专家对合成病例的治疗建议，证实了该方法能高效、低成本地量化临床决策中的专家共识与差异，并为构建更精准的脊柱治疗预测模型提供了多样化数据基础。

该论文提出了一种名为 Fmpi 的新型数字诱发电位检测框架，它通过针对每次记录中的背景噪声频谱色彩和时域动态进行个体化建模，实现了在大幅降低计算成本的同时保持甚至超越现有最先进方法的检测性能，并引入无效性检测机制以缩短临床测试时间。

该研究提出了一种基于机器学习集成方法的“荒谬信号检测”新范式，通过保留并分析传统方法视为异常值的罕见不良事件，成功在 FDA 数据中识别出包括血管性水肿在内的多种高风险药物不良反应，从而显著提升了药物警戒的早期预警能力。

该研究提出并验证了一种基于高斯 Copula 生成模型与区块链存证的多中心脊柱手术合成数据生成框架，通过保真度、效用性和隐私性三维评估，成功实现了在不泄露患者隐私的前提下生成可用于人工智能开发的认证合成数据集。

该研究通过对纵向视网膜神经纤维层（RNFL）变化图进行空间分解，揭示了六种被传统平均方法掩盖的独立青光眼进展模式，并证实这些模式在结构 - 功能关联及遗传易感性上具有独特的生物学特征。