153 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。
本研究构建了一个整合影像学反应、循环肿瘤 DNA、安全性及生存终点的端到端合成肿瘤临床试验框架，成功模拟出具有生物学合理性和分析一致性的疗效 - 安全性信号，为转化肿瘤临床数据科学提供了决策导向的原型。
该研究通过比较基于胸片与放射科报告的多模态模型在预测 30 天死亡率上的表现，发现原始影像包含报告未能完全捕捉的预后信息，表明用专家撰写的报告替代原始图像会改变风险排序而非仅降低整体判别力，因此评估表征替代时应同时考量判别能力与排序一致性。
该研究通过系统综述和科学计量分析发现，胸部 X 光计算机视觉研究主要由高收入国家主导且训练数据多源自这些地区，这种显著的地理与数据不平等可能导致 AI 系统在不同医疗环境中表现不一致，进而加剧全球医疗不平等。
这项针对医学同行评审人员的大规模国际横断面调查显示，尽管受访者普遍熟悉人工智能聊天工具，但其在评审中的实际应用仍十分有限，且主要受限于对算法偏见、伦理及数据隐私的担忧，同时评审人员普遍表达了对相关培训的需求。
该研究提出了一种基于贝叶斯集成与流行率自适应门控的围手术期死亡率预测模型，通过变分自编码器解决数据不平衡问题，在验证集中实现了零假阳性且全队列审计中具备临床意义的召回率，同时利用香农熵有效量化了预测不确定性。
该研究通过构建 MedResearchBench 基准评估了六种医疗 AI 研究系统，发现引用幻觉是决定系统成败的关键因素，并证明引入多智能体引用验证与修复机制能显著提升引用真实性并纠正单一模型评估的偏差。
该研究通过分析癌症同伴支持文本，发现仅针对复合负担目标的多任务学习模型在预测心理社会负担方面表现最佳，而引入辅助任务会降低性能，且基于大语言模型生成的软标签在情感分类任务中不如硬标签有效。
该研究开发了一个基于 Python 的可重复健康信息学工作流，通过模拟早期肿瘤临床试验中的临床、生物标志物及药代动力学多源数据，成功整合生成了分析就绪数据集、可视化图表及探索性预测模型，从而为早期肿瘤开发的决策支持分析提供了透明且实用的框架。
该研究利用 MIMIC-IV 数据库开发并评估了一种多模态机器学习模型，通过整合结构化电子病历数据与临床笔记文本特征，实现了对住院患者高阿片类药物暴露风险的高精度预测，从而有助于优化住院期间的阿片类药物管理。
该研究提出了一种结合梯度提升分类器与隐半马尔可夫模型的混合框架，仅利用自我报告症状数据即可在激素验证下实现月经周期四相分类，证明了低负担、无设备监测方案在资源受限环境中的可行性。