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。
本研究验证了一种用于量化老年人地面行走时手臂摆动运动学与协调性的可穿戴传感器算法，揭示了手臂-腿部协调性是步态稳定性一个独特且敏感的维度，并随衰弱和神经功能障碍而下降，从而为检测传统步行速度指标之外的早期运动不稳定性提供了一种可扩展的方法。
这项研究表明，尽管斯里兰卡的 Z 世代大学生拥有极高的电子健康素养，并日益依赖人工智能获取健康信息，但由于显著的隐私顾虑以及对传统面对面问诊的持久偏好，其对数字健康服务的采用仍然受到限制。
本研究证明了将机器学习模型应用于体戴式温度数据以中度预测多内分泌代谢性卵巢综合征（PMOS）的可行性，表明其有望成为一种用于识别未确诊病例的被动数字筛查工具。
本文介绍了健康数据就绪度水平（HDRL）框架的开发与初步应用，该框架是一个多维工具，旨在评估三个英国生态系统对于联邦化健康数据服务的组织与系统就绪情况，同时提醒该框架仍属于一种规划工具，而非经过验证的认证标准。
这项研究表明，体力活动与情绪之间的关系因性别和月经周期阶段而异，尤其是在女性中，这表明数字表型模型必须考虑到这些生物学因素，以避免预测偏差并实现个性化的心理健康洞察。
本研究表明，初级保健抑郁症筛查中的累积选择偏差会夸大机器学习指标并扭曲流行病学关联，并提出了一种使用四变量分类回归树（CART）规则的解耦选择性预测框架，用于安全地将仅最可靠的 20% 患者分流至算法评分，而将其余患者路由至人工评估。
本范围综述探讨了机器学习在心血管疾病研究中对暴露组学数据日益增长的应用，强调了其在应对数据复杂性方面的潜力，同时识别了当前的局限性及未来的研究方向。
这项针对卡塔尔3,004名成年人的横断面研究表明，行为准备度（尤其是日常锻炼和分享数据的意愿）是可穿戴设备采用和数字医学整合比教育等传统人口统计学因素更强的预测因子，这凸显了在实现公平的数字健康实施时，优先考虑行为参与而非人口统计学定位的必要性。
这项针对津巴布韦 Impilo 电子健康档案（EHR）系统的混合方法研究表明，尽管一线医务人员通过数字与纸质工具的结合，为多病共存的护理产生了适应性学习，但由于缺乏旨在稳定和制度化这种学习的社会技术安排，导致该系统无法演变为能够驱动更广泛护理变革的真正学习型医疗系统。
本研究评估了在退伍军人事务部（VA）系统的阿尔茨海默病及相关痴呆症电子病历算法中引入 CMS 数据所产生的影响，发现虽然 CMS 数据增加了病例检测量和敏感性，但对于流行病学而言，不含 CMS 数据的宽泛算法是最优的，而含有 CMS 数据的严格算法则能产生最强的晚发型阿尔茨海默病遗传关联。