Care Plan Generation for Underserved Patients Using Multi-Agent Language Models: Applying Nash Game Theory to Optimize Multiple Objectives
该研究利用纳什博弈框架协调多个专用语言智能体，在严格保障数据隐私的前提下，成功为美国医疗补助计划患者生成了在安全性和效率上更优的护理计划，但结果表明这种多目标优化方法无法自动解决公平性问题，需在设计中予以特别关注。
📄 Category
health informatics
193 篇论文
Impact of an ambient digital scribe on typing and note quality: the AutoscriberValidate study
这项名为 AutoscriberValidate 的研究表明，使用环境数字文书系统 Autoscriber 显著降低了医疗提供者的打字工作负担，并减少了电子病历中各类错误的出现频率，从而提升了病历质量。
OCR-Mediated Modality Dominance in Vision-Language Models: Implications for Radiology AI Trustworthiness
该研究揭示了商用视觉 - 语言模型在放射学场景中因过度依赖 OCR 识别的图像嵌入文本而存在严重安全缺陷，导致其决策易被对抗性文本注入操控且现有提示防御无效，因此强调在临床部署前必须建立系统级安全屏障。
Patient Attitudes Toward Artificial Intelligence in Jordanian Healthcare: A Cross-Sectional Survey Study
这项针对约旦 500 名患者的横断面调查显示，患者普遍对人工智能辅助医疗持“有条件的乐观”态度，即认可其效用但强烈偏好人类医生主导的协作模式，且其接受意愿显著受信任度、隐私担忧、教育水平及数字技能的影响。
Data-Driven Hybrid Model of SARIMA-CNNAR For Tuberculosis Incidence Time Series Analysis in Nepal
该研究利用尼泊尔 2015 至 2024 年的结核病月度发病数据，开发并验证了一种结合 SARIMA 线性建模与 CNNAR 非线性特征提取的混合预测模型，其预测精度显著优于 SARIMA、LSTM、Prophet 等单一或主流基准模型，为尼泊尔结核病防控及资源分配提供了高精度的决策支持工具。
MedOS: AI-XR-Cobot World Model for Clinical Perception and Action
MedOS 是一种通过双系统架构模拟人类认知、融合物理感知与临床推理的通用具身世界模型，它不仅能自主执行复杂的医疗任务并预测风险，还能通过弥合初级与资深医师的绩效差距来推动临床干预向人机协作的新范式转变。
Fully Automated Systematic Review Generation via Large Language Models: Quality Assessment and Implications for Scientific Publishing
该研究展示了一种利用大语言模型全自动生成系统综述的可行方案，其生成内容在专家评估中质量优于部分人工综述且难以被区分，但也暴露了信息广度受限及幻觉风险等关键挑战，呼吁建立透明的整合框架以应对学术出版的新变局。
Handling onset age inconsistencies in longitudinal healthcare survey data
该研究针对纵向医疗调查数据中自我报告的疾病发病年龄不一致问题，提出了基于可靠性评分的分层策略和贝叶斯调整方法，并利用加拿大未来健康伙伴关系（CanPath）数据验证了这两种方法在增强疾病关联、提升预测性能及优化疾病聚类网络方面的有效性。
Machine Learning Analysis of User Sentiments in Tinnitus Management Apps
该研究利用基于图神经网络的方面级情感分析模型，对 84 款耳鸣管理应用的 34 万余条用户评论进行大规模分析，揭示了治疗功能与用户满意度呈正相关，而定价、广告及技术稳定性则是主要的不满来源，从而为应用优化和临床推荐提供了数据支持。
Randomized Trial Protocol: Epic Generative AI Chart Summarization Tool to Reduce Ambulatory Provider Cognitive Task Load
这项研究是一项针对门诊医生的随机对照试验，旨在评估 Epic 电子病历中集成的生成式 AI 病历摘要工具是否能降低医生的认知任务负荷，并进一步考察其对职业倦怠、工作满意度及患者体验等方面的影响。
Clinicians' Rationale for Editing Ambient AI-Drafted Clinical Notes: Persistent Challenges and Implications for Improvement
这项针对 30 名临床医生的研究揭示了医生修改 AI 生成病历草稿的主要动因（如提升准确性、降低法律风险及满足计费标准）及具体原因（如转录错误和缺乏上下文），并据此提出了通过优化模型可靠性、深化专科定制、加强系统集成及提供机构支持来改善环境 AI 文档系统的综合建议。
Agentic Trial Emulation to Learn Health System-specific Drug Effects At Scale
该研究提出了一种基于自主智能体（Biomni）的试验模拟框架，通过贝叶斯分层模型校准电子健康记录（EHR）与随机对照试验（RCT）结果之间的系统性差异，从而在大规模上学习并修正特定医疗系统的药物效应偏差。
CardioPulmoNet: Modeling Cardiopulmonary Dynamics for Histopathological Diagnosis
本研究提出了一种名为 CardioPulmoNet 的受生理耦合启发的神经网络架构，通过模拟心肺相互作用机制，在有限数据条件下实现了稳定且可解释的组织病理学图像特征学习，有效提升了分类性能。
ADVANCED ARTIFICIAL INTELLIGENCE ENABLED METHODS FOR EARLY DETECTION OF NON-ALCOHOLIC FATTY LIVER DISEASE AND ASSOCIATED HEALTH RISKS
本研究提出了一种基于 XGBoost 算法和可解释性人工智能（SHAP）的双阶段机器学习管道，利用常规临床参数实现了对非酒精性脂肪肝及其相关代谢并发症的非侵入性、低成本早期预测与风险评估。
Automation of Systematic Reviews with Large Language Models
该研究验证了名为 otto-SR 的大语言模型工作流在文献筛选、数据提取和偏倚风险评估等系统性综述核心任务中的卓越性能，证明其不仅能高效自动化这些耗时环节，还能快速复现并更新现有综述，从而为自动化、可扩展且可靠的知识合成奠定了基础。
Reddit posts reveal how natural environments affect social anxiety in young people
该研究通过分析 Reddit 社区帖子发现，自然环境对青少年社交焦虑的影响具有双重性：虽然户外活动常能缓解焦虑并改善情绪，但部分患者因害怕被观察或评判而感到环境触发焦虑，因此未来的自然干预措施需针对社交焦虑特有的评价恐惧进行精心设计。
Clinicians Visual Attention During Suicide Screening Encounters: An Exploratory Eye-Tracking Study
这项研究利用可穿戴眼动追踪技术和回顾性出声思维协议，揭示了初级保健医生在模拟自杀筛查问诊中因需频繁查阅电子病历而分散了对患者的视觉注意力，并倾向于在确认风险指标后再进行相关讨论。
Leveraging Expert Knowledge and Causal Structure Learning to Build Parsimonious Models of Acute Brain Dysfunction in the Pediatric Intensive Care Unit
本研究通过结合临床专家知识与因果结构学习算法，在儿科重症监护室中成功构建了仅使用 14 个生物标志物即可达到与全量模型相当预测性能（AUPRC 0.79）的急性脑功能障碍简约预测模型，有效提升了模型的可解释性与临床实用性。
ED-TRIAGE-AGENT: A FRAMEWORK FOR HUMAN-AI COLLABORATIVE EMERGENCY TRIAGE
本文提出了 ED-Triage-Agent 框架，这是一个通过多智能体协作在急诊分诊中辅助临床决策、支持从患者信息采集到 ESI 分级全流程人机协同的系统，旨在通过可解释的推理增强临床判断并保留医生自主权。
A deterministic safety pipeline for therapeutic AI in elderly assisted living
本文介绍了专为老年辅助生活设计的 Lilo 引擎，这是一个通过强制实施结构性不变量（如无条件运行的危机检测守护层和输出反射层）来确保 100% 危机召回率和确定性安全轨迹的 5 层治疗性 AI 管道，旨在解决现有智能体编排系统在高风险场景中不可接受的故障率问题。