health care
PulseAugur coverage of health care — every cluster mentioning health care across labs, papers, and developer communities, ranked by signal.
- instance of Change Healthcare 90%
- used by alphaXiv 70%
- uses technology 70%
- instance of Education 60%
- affiliated with finance 60%
- instance of finance 60%
- instance of ScienceCast 60%
- instance of Autonomous Vehicles 60%
- used by DagsHub 60%
- used by electronic health records 60%
- instance of alphaXiv 60%
- instance of Gotit.pub 60%
17 天有情绪数据
-
医疗 RAG 在 LLM 之外面临数据、检索和隐私障碍
为医疗领域构建检索增强生成（RAG）系统，在标准 LLM 和向量数据库实现之外，带来了独特的挑战。复杂性源于跨不同格式和系统的碎片化临床数据，这需要混合检索方法，将语义搜索与结构化查询相结合。确保数据的准确性和临床正确性至关重要，因为即使是先进的 LLM 也无法弥补糟糕或过时的上下文。开发人员必须考虑有意义的临床信息单元，而不是任意的文本块，并在检索过程的早期实施强大的授权协议，以维护患者隐私和合规性。
-
医疗保健领域环境AI在试点阶段后面临部署障碍
环境AI工具正在医疗保健领域走出初步试点阶段，为广泛部署带来新的挑战。虽然这些工具已在减少医生文档记录时间和提高工作满意度方面显示出益处，但关于患者同意、信任以及医生认知技能退化的潜在担忧正在浮现。此外，文档记录遗漏和临床上重大错误等问题，需要谨慎实施、针对特定专业的验证以及强有力的变革管理，以确保患者安全并维护医患关系。
-
新框架检测物联网环境MLaaS中的性能漂移
研究人员开发了一个新框架，用于检测物联网（IoT）环境中的机器学习即服务（MLaaS）的性能漂移。该框架名为MLaaS性能漂移检测（MPDD），解决了在客户端对服务进行黑盒访问时监控MLaaS稳定性的挑战。该系统利用一个提取模型来理解服务行为并识别影响因素，然后联合分析输入数据和服务行为的变化。一个自适应时间机制根据检测到的变化进一步优化监控频率，旨在实现更及时的漂移检测和改进的服务管理。
-
AI框架通过可靠的分子性质预测增强药物发现能力
研究人员开发了一个新的共形预测框架，旨在提高AI在药物发现中的可靠性，尤其是在处理标签偏移时。该方法通过用边际标签概率比加权共形分数来生成统计上严格的预测区间，即使在分子性质分布发生变化时也能进行稳健的不确定性量化。该方法旨在增强对关键分子性质（如溶解度、效力和毒性）的AI驱动预测的信任度，从而支持药物开发流程中更明智的决策，并符合监管机构对透明度的要求。
-
由于信任赤字，医疗保健 AI 采用停滞不前；机密计算是进步的关键
医疗保健领域对 AI 的采用目前受到严重的信任赤字阻碍，只有约 40% 的提供者对 AI 技术表示信心。这种不信任源于对数据隐私、某些 AI 系统的“黑箱”性质以及错误可能被放大的担忧。为了克服这一点，专家建议从一开始就通过健全的治理、透明度和持续验证将信任嵌入 AI，而不是将其视为事后诸葛亮。机密计算被强调为一种关键技术，可以在处理过程中保护敏感的患者数据，从而为医疗保健领域的 AI 奠定更安全的基础，并确保更好的患者治疗效果。
-
arXiv 调查统一事件流建模的自监督学习
一篇新发表在 arXiv 上的调查论文回顾了事件流 (ES) 建模的自监督学习 (SSL) 方法。该论文解决了利用医疗保健、电子商务和金融等领域的海量 ES 数据所面临的挑战，主要是由于缺乏标记数据和研究碎片化。它提出了一个 SSL 技术统一分类法，包括预测和对比范式，并概述了可扩展、领域无关的 ES 建模框架的未来研究议程。目标是促进创新，提高 SSL 在各种现实世界事件流挑战中的适用性。
-
新研究通过先进模型应对不规则时间序列预测挑战 · 跟踪 5 个来源
研究人员正在探索新方法来改进不规则时间序列预测，这是医疗保健和天气预报等领域的一项关键任务。几篇近期论文提出了应对稀疏数据、非均匀采样和概念漂移等挑战的新方法。其中包括用于去偏神经基函数响应的 DNBNet 模型，一个用于处理重复概念漂移的连续演化池 (CEP) 框架，以及通过对时间异质性建模和对齐表示来调整大型语言模型 (LLM) 的 TALON 框架。此外，还引入了一个名为 F-LLM 的控制理论框架，通过减轻误差累积来确保基于 …
-
新框架将医疗健康大语言模型建立在因果知识图谱之上
研究人员开发了一个新的框架，用于评估医疗健康领域的大语言模型（LLMs），重点关注它们在干预和因果关系方面的推理能力，而不仅仅是单答案准确性。该框架利用领域因果知识图谱来为LLM的响应提供基础，并在心血管疾病试点研究中测试了四种受控条件。结果表明，集成基础（C4）显著提高了因果推理能力并减少了未经支持的说法，尽管无基础模型（C1）仍然实现了更高的原始干预准确性。
-
AI和技术技能推动LinkedIn 2026热门职业报告
LinkedIn 的 2026 热门职业报告显示，对 AI 和技术技能的需求强劲，排名前五的最快增长的职位中有四个直接与人工智能相关。虽然 AI 工程师、顾问和研究人员备受追捧，但该报告还强调了医疗保健、营销和创业职位的显著增长。尽管有这种需求，求职者，特别是应届毕业生，面临着招聘放缓和感觉准备不足的不可预测的市场，这表明需要拓宽搜索策略并利用 AI 工具。
-
人工智能有望彻底改变私人医生服务的提供方式
人工智能可以通过自动化行政任务和个性化患者沟通来增强私人医生服务的提供。人工智能驱动的工具可以管理预约安排、处理保险索赔，并提供量身定制的健康建议，从而使医疗专业人员能够专注于直接的患者护理。这种整合旨在使个性化医疗保健更易于获得且更有效。
-
医疗保健领域的人工智能引发患者安全担忧，原因在于其“幻觉”
一项新研究强调了在医疗保健领域使用人工智能的重大担忧，特别是其“幻觉”或生成虚假医疗信息的倾向。一位患者收到人工智能生成的术语后信函的经历，其中包含有关其病情和治疗的不准确细节，凸显了对患者护理和信任的潜在风险。此事件引发了对医疗环境中的人工智能工具所需监督水平的质疑，以确保准确性并维持医患关系。
-
影子AI的采用速度超过了关键行业的治理速度
“影子AI”在医疗保健、金融服务和公共部门等关键行业的采用正在增加。然而，这种增长速度超过了必要治理框架和基础设施准备的开发速度。这种差距在这些技术未经充分监督的情况下实施时，会带来重大风险。
-
大型语言模型缺乏医疗岗位所需的关键社会沟通技能
一项最新研究评估了GPT-4o、Llama 3和Command R+等大型语言模型（LLMs）在医疗环境中的社会沟通能力。研究人员发现，尽管这些模型表现出无敌意，但在信息组织结构方面表现不佳，在敏感性和非侵入性方面结果好坏参半。研究结果表明，当前的大型语言模型缺乏作为医疗顾问安全有效使用所必需的一致可靠的社交技能，因此需要调整现有的人机交互评估框架。
-
微软、盖茨基金会、谷歌资助50多种非洲语言AI项目
一项新计划旨在为50多种非洲语言开发人工智能技术，资金来自微软、盖茨基金会和Google.org。这些项目将专注于医疗保健、农业和教育等关键领域。预计该举措将惠及非洲大陆约5亿人口。
-
Quest Global 在关键行业提供端到端产品工程服务
Quest Global 因其涵盖航空航天、汽车、医疗保健、半导体、能源和交通等多个行业的全面产品工程服务而备受瞩目。该公司在数字工程、AI 和嵌入式系统方面的专业知识对于未来的产品开发至关重要。
-
AI 减轻医护人员的疲劳和文书工作
一项研究表明，人工智能正在对医疗保健产生积极影响。人工智能的实施已使医护人员的疲劳度降低了 0.44 点，并将日常文书工作减少了 0.36 小时。此外，人工智能显著提高了账单准确性，p 值小于 0.001。
-
新的Sci-VBench基准揭示AI科学视频生成能力的差距
研究人员推出了Sci-VBench，这是一个旨在评估AI模型在科学领域生成视频能力的新基准。该基准包含自然科学、医疗保健、人文学科和工程学领域超过1200个专家标注的示例，要求模型展示科学推理和知识综合能力。对16个模型的初步评估显示，专有系统和开源系统之间存在显著差距，尤其是在科学和因果正确性方面，这表明尽管视觉真实性有所提高，但当前的视频生成模型在准确表示复杂动态方面仍面临挑战。
-
人工智能在医疗保健中的应用：总结、文档和分诊方面的挑战
临床文本因否定词、侧别和剂量等具体细节的关键重要性以及因医学部门而异的缩写词的模糊性，给人工智能总结带来了独特的挑战。环境文档工具（从录制的就诊记录中起草笔记）的评估标准不是与参考笔记的相似性，而是编辑负担和准确性，对捏造的发现采取零容忍政策。旨在评估紧急程度的分诊系统必须优先考虑升级，避免低估严重症状，并设有用于检测危险信号的确定性层。
-
环境AI减轻医护人员倦怠和文档记录时间
环境AI工具通过减轻工作疲劳和缩短文档记录时间，在改善医护人员福祉方面展现出潜力。一项研究发现，这些AI系统将工作疲劳度降低了0.44个李克特量表评分点，并将日常文档记录时间缩短了0.36小时。这些发现基于对71,487条笔记的分析，其中38%由AI生成。
-
新的FOCUS方法解耦大型语言模型身份以增强领域专业知识
研究人员开发了一种名为FOCUS（Fine-tuning with Orthogonal Control for Uncoupled persona，正交控制解耦身份微调）的新方法，以提高大型语言模型（LLMs）的领域专业知识。该技术解决了身份耦合问题，即模型在一个领域的行为可能会对其在另一个领域的表现产生负面影响，例如在医疗保健领域过于谨慎或在金融交易中过于保守。FOCUS通过提取和解耦专家身份向量，然后使用门控模块根据任务上下文自…