Studii medicale: inteligenta artificiala

Un nou studiu publicat în data de 22 august 2025 în revista Frontiers in Nutrition prezintă un sistem de recomandări nutriționale bazat pe inteligență artificială (AINR), capabil să genereze planuri alimentare săptămânale personalizate, respectând principiile dietei mediteraneene. Acesta se adreseaz

Revizuire sistematică (2010–2023): inteligența artificială explicabilă (XAI) este cea mai importantă inovație AI în sănătate. Bariere la adoptare: >60% din profesioniști reticenți din cauza opacității și temerilor de securitate. Bias algoritmic, responsabilitate legală și reglementare — provocările

Cadrul CKLE (distilare LLM → EHR): predicția IC și HTA din dosar electronic cu +4,48% acuratețe vs. state-of-the-art pe MIMIC-III (n=7.125). Distilarea cross-modală din LLM îmbunătățește predicția evenimentelor clinice.

Revizuire 2024: IA (ML/deep learning) în eco fetală și pediatrică — automatizare achiziție imagini, segmentare cavități, detecție BCC. Provocări majore: seturi de date mici, "black box" interpretabilitate, heterogenitate echipamente, validare multicentrica limitată.

SoftCTM, un model de deep learning, estimează puritatea tumorală în cancerul colorectal cu reproductibilitate perfectă, reconciliind discrepanțele dintre patologia clasică și metodele moleculare.

Masa ventriculară stângă determinată prin AI din CT non-contrast prezice independent evenimentele cardiovasculare majore pe o perioadă de 14 ani, adăugând valoare prognostică peste scorul de calciu.

Studiu multicohort (n=248.000, 3 cohorte internaționale): model AI adaptat zgomotului prezice IC incidentă din ECG single-lead (derivatia I — compatibil cu smartwatch) cu AUC 0,725–0,833; risc de IC de 3–7× mai ridicat la ECG AI-pozitiv față de negativ.

O revizuire sistematică a 54 de studii arată că inteligența artificială și algoritmii de machine learning performează bine în clasificarea bolilor și predicția complicațiilor la copiii cu boli cronice. Marea majoritate a studiilor au utilizat exclusiv date retrospective, iar validarea clinică prospe

Studiu retrospectiv multicentric pe 3.637 de pacienți din 16 spitale chineze: modelul AI DeepGEM prezice mutații genice driver din imagini histologice de rutină în cancerul pulmonar cu AUC 0,90-0,97 în validarea internă și 0,76-0,91 multicentric. Generalizabilitate confirmată pe setul TCGA și biopsi

Modelul AI iSCLM integrând imagini CT preoperatorii și histologie H&E a prezis răspunsul la chimioterapia neoadjuvantă în cancerul gastric local avansat cu AUC 0,846-0,876, confirmat prospectiv pe 132 de pacienți din 10 centre medicale, cu identificarea CD11c ca biomarker molecular al răspunsului.

Revizuire EHJ: digital twins cardiovasculare (replici virtuale dinamice) + AI generativ (GAN, LLM) — aplicații în planificarea TAVR, ablația AF/VT, CRT (45 pacienți), progresia aterosclerozei (84% acuratete, CREDENCE 303 pacienți); provocări: validare clinică, echitate, confidentialitate, reglementa

Un model de învățare profundă multimodal (CT + date clinice) prezice mortalitatea pe termen scurt în embolia pulmonară acută cu AUC 0,98, depășind semnificativ scorul standard PESI (AUC 0,86).

O platformă de geamăn digital bazată pe învățare automată prezice răspunsul glicemic individual după fiecare masă din 37 de variabile și generează recomandări nutriționale personalizate. Modelul a obținut o eroare medie de predicție de 17,21 mg/dL și a explicat peste 85% din variabilitatea glicemiei

Recenzie cuprinzătoare a aplicațiilor inteligenței artificiale (CNN, deep learning) în cancerele capului și gâtului: algoritmii depășesc uneori radiologul uman în analiza imagistică CT/IRM/PET, permit grading histologic automat pe preparate digitale și integrează date genomice pentru oncologie de pr

Revizuire narativă privind rolul ChatGPT în insuficiența cardiacă: potențial în educația pacienților și suportul decizional, limitat de riscuri de halucinații, bias și lipsa validării clinice.