Studii medicale: inteligenta artificiala

Protocol de consens Delphi internațional pentru standardizarea utilizării AI în segmentarea și monitorizarea schwannoamelor vestibulare, vizând optimizarea managementului clinic.

O revizuire sistematică a 15 studii evaluează ChatGPT, Gemini și Claude în ortopedia pediatrică: acuratețe medie 74,1%, variind între 44% și 93%, cu 33% răspunsuri conținând erori clinice — și 82% din părinți folosind informații AI fără confirmare medicală.

Revizuire sistematică a 65 de studii privind inteligența artificială în cardiotoxicitatea post-radioterapie. Modelele au performanțe bune (AUC 0,82), dar suferă de erori sistematice și validare red...

Revizuirea arată că inteligența artificială poate anticipa recăderea în psihoză prin fenotipare digitală, însă performanța variabilă și lipsa validării externe limitează utilizarea clinică actuală.

Studiu comparând ChatGPT, DeepSeek și Grok versus 5 anestezologi experți la 41 pacienți cardiaci. DeepSeek mai precis la clasificarea ASA (73,2%), Grok la NYHA și RCRI (75,6%). Niciun model nu atinge standardul clinic, dar pot fi instrumente auxiliare de verificare.

Revizuirea sistematică a 11 studii (80.915 pacienți) arată că modelele IA, în special cele ecocardiografice, au o performanță diagnostică înaltă (AUC 0,74-0,94) în evaluarea regurgitării mitrale.

ChatGPT-4o atinge acuratețe diagnostică de 65,5% în polineuropatii complexe (n=100), comparabilă cu neurologul non-specialist (63%) dar sub specialist (74%, p=0,002). Depășește non-specialiștii la diagnostice diferențiale (82% vs. 77,5%; p=0,043) și teste confirmatorii (68% vs. 53%; p<0,001). Non-sp

Un model de inteligență artificială (SHIMMER) utilizează analize de rutină pentru a profila șapte boli comune pe un spectru continuu, facilitând depistarea precoce și evaluarea riscului.

Studiul utilizează inteligența artificială pentru a identifica două traiectorii de progresie în LGMD R2, demonstrând că un model combinat clinic-RMN prezice declinul cu o acuratețe de 83,7%.

Model AI EchoFocus-CHD antrenat pe 3,4 milioane videoclipuri ecocardiografice de la Boston Children's Hospital: detecție automată a 12 leziuni cardiace critice cu AUROC 0,94 intern, 0,77 extern (domain shift); reantrenarea îmbunătățește performanța internațională la AUROC 0,87.

Recenzie 2026: un cadru integrat care leagă descoperirea multi-omică, scorurile poligenice și inteligența artificială de validarea în modele avansate (iPSC, vessel-on-chip, organoizi) pentru accelerarea terapiilor de precizie în bolile cardiovasculare aterosclerotice. Propune utilizarea complementar

ENIGMA-Anxiety, 1.595 TAG + 4.552 controale: modelul CNN (MAE 2,95 ani) nu detectează îmbătrânire cerebrală accelerată medie în TAG, dar identifică variabilitate PAD semnificativ mai mare (Levene W=442,98; p<0,001). Severitatea simptomelor prezice PAD independent de medicație — TAG este neurobiologi

Studiu multicentric retrospectiv 1.298 pacienți: model deep learning (Improved_EfficientNet + CBAM) prezice necesitatea stentului în leziunile coronariene intermediare (50-70%) direct din angiografie. Validare internă: acuratețe 0,976, F1 0,971. Validare externă: acuratețe 0,807, AUC 0,897. Antrenat

Recenzie ACS Sensors 2026: AI in senzori cardiovasculari purtabili — 5 domenii: design senzori, calibrare adaptiva, procesare semnal (CNN/LSTM), recunoastere pattern (fibrilatie atriala, ST), management clinic. Provocari: variabilitate inter-individuala, interpretabilitate, validare clinica.

Studiul demonstrează că modelele de învățare automată (Random Survival Forests) prezic superior supraviețuirea în regurgitarea tricuspidiană, identificând remodelarea inimii drepte ca predictor cheie.