BACKGROUND: Virtual nursing (VN) is an increasingly popular nursing care model being implemented nationally to help alleviate nursing burden and shortages which are particularly prevalent in emergency care.
AIMS: This study aimed to evaluate the impact on documentation-related and workflow outcomes among adult patients admitted through the emergency department (ED) who received either a traditional in-person admission assessment or a VN admission assessment. Outcomes included admission assessment duration, documentation completeness, and number of interruptions.
METHODS: This study was a non
СтатьяПолный текст не найденПеревод пока не подготовлен
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
OBJECTIVES: To detail patient challenges, and how technology support addressed them, in a remote patient activation intervention for hemodialysis patients (n = 93) from trained patient mentors (n = 26).
MATERIALS AND METHODS: Using digital divide theory-derived codes, content analysis of: technology support program delivery data, hemodialysis clinic staff interviews, and support staff reflection papers. Descriptive statistics from postintervention mentee/mentor surveys.
RESULTS: All mentees and 46.2% of mentors received support. Motivational access was targeted with explanations, rapport, an
СтатьяПоиск полного текста в очередиПеревод пока не подготовлен
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Designing AI-enabled decision support for fast-paced medical teams remains underexplored. We use Emergency Medical Services (EMS) as a critical use case to examine where AI can, and should not, support time-critical decision-making. We conducted participatory design workshops and formative user evaluations with EMS providers to elicit, prototype, and critique candidate AI application areas for EMS work. Providers identified several promising uses of AI: (1) AI-enabled information retrieval to accelerate access to protocols and medication references; (2) speech-based documentation support to re
СтатьяПолный текст не найденПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
OBJECTIVE: Health systems undertaking electronic health record (EHR) transitions often struggle to prepare and support clinicians in learning and using the new system. We evaluated a national peer coaching program-the National EHRM Supplemental Staffing Unit (NESSU)-designed to support clinicians during the U.S. Department of Veterans Affairs' (VA's) transition to a new EHR. Our goal was to assess NESSU's reach, perceived usefulness, and association with key EHR user outcomes, and to characterize how NESSU achieved its observed impacts.
MATERIALS AND METHODS: Using a convergent mixed-methods
СтатьяПолный текст не найденПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
OBJECTIVES: Machine-learning-based clinical risk prediction models are increasingly used to support decision-making in healthcare. While class-imbalance correction techniques are commonly applied to address rare outcomes, their impact on probabilistic calibration remains insufficiently understood. This study evaluated the effect of widely used resampling strategies on both discrimination and calibration across real-world clinical prediction tasks.
MATERIALS AND METHODS: Ten clinical datasets spanning diverse medical domains and including over 600 000 patients were analyzed. Multiple machine-l
СтатьяПолный текст не найденПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
OBJECTIVES: This study aims to automatically classify physical examinations performed during general practitioner (GP) consultations using a deep learning fusion model. The model distinguishes between two interaction types: Human-Object Activities (HOA), such as blood pressure measurement, and Human-Human Activities (HHA), such as gland palpation.
MATERIAL AND METHOD: A multi-component ensemble transfer learning framework was developed that integrates spatial and temporal feature analysis. The model comprises: (1) a CNN-LSTM module for spatial feature extraction and sequential modelling, (2)
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
OBJECTIVES: While there are numerous mobile health (mHealth) apps on the market, previous research has highlighted their risks to privacy and security. Therefore, an instrument to assess the privacy and security of these apps may be helpful for ensuring consumers' data safety. We therefore conducted this rapid scoping review with the objective of surveying the landscape for instruments used to measure and quantify privacy and/or security of mHealth apps in the past 10 years.
MATERIALS AND METHODS: Following the Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA) 2020 g
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
OBJECTIVE: Generative information extraction using large language models (LLMs), particularly through prompting combined with few-shot learning, has become a popular method. In many ways such prompts with examples resemble the annotation guidelines long used for manual labeling of data for information extraction, and indeed studies have demonstrated the direct use of these guidelines as effective prompts. However, constructing annotation guidelines is both labor- and knowledge-intensive. Instead, this paper proposes to leverage LLMs' impressive ability to automatically create such annotation g
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
OBJECTIVE: To develop an electronic medical record (EMR) data processing tool that confers clinical context to machine learning (ML) algorithms for error handling, bias mitigation, and interpretability.
MATERIALS AND METHODS: We present Trust-MAPS, an algorithm that translates clinical domain knowledge into high-dimensional, mixed-integer programming models that capture physiological and biological constraints on clinical measurements. EMR data are projected onto this constrained space, effectively bringing outliers to fall within a physiologically feasible range. We then compute the distance
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
OBJECTIVE: To introduce a novel, standardised approach to evaluating AI prediction models in balancing effectiveness, efficiency and utility, using a sepsis prediction model case study.
MATERIALS AND METHODS: Retrospective patient data from electronic medical records of 7 public hospitals was used to retrain and evaluate a machine learning sepsis prediction model. Four conventional metrics-area under the receiver operating curve (AUROC), sensitivity, positive predictive value, and specificity-were compared with a novel graphical display integrating metrics of predictive accuracy (effectivenes
СтатьяПолный текст не найденПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
OBJECTIVES: To compare the clinical outcomes of sepsis patients when an augmented systemic inflammatory response syndrome (SIRS+) and the Epic sepsis predictive model version 1 (ESPMv1) alert were active in the emergency department at two county hospitals.
MATERIALS AND METHODS: This retrospective study from January 2018 to January 2024, evaluated the clinical outcomes of 881 201 emergency department patients of which 29 852 patients were septic. From January 2018 to June 2022 sepsis notices were presented to physicians based on a SIRS plus organ dysfunction criteria and from December 2022 to
СтатьяСравнительное исследованиеПолный текст не найденПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
OBJECTIVES: Patients value access to their medical reports on patient portals, but the terminology in those reports can cause confusion and anxiety. Can the artificial intelligence (AI) simplification of radiology reports into plain language improve patient comprehension?
MATERIALS AND METHODS: Twenty original radiology reports (breast imaging, chest X-ray) were simplified into plain language using ChatGPT-4 using a customized prompt for each report type. For each report, clinicians created a gold standard of key findings and appropriate follow-up. In August 2024, a national sample of 2000 US
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
OBJECTIVES: We aimed to develop a data model and a natural language processing (NLP) pipeline for representing physical activity (PA) in Electronic Health Records (EHRs), and to evaluate transformer- and Large Language Model (LLM)-based classifiers for sentence-level PA attribute classification.
MATERIALS AND METHODS: We analyzed PA documentation across three patient cohorts (cancer, COVID, and Alzheimer's disease) using structured and unstructured EHR data. A conceptual schema was developed to represent PA and its linguistic attributes. Five BERT models and three modern LLMs (Llama3-8B, MedA
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
OBJECTIVE: To evaluate if a single-subject study (S3) design, utilizing paired transcriptome samples from the same patient (eg, "sepsis" vs "recovered"), can replicate transcriptomic signatures from small case-control studies, addressing challenges in patient accrual for rare or sub-stratified diseases.
METHODS: We generated a sepsis gene signature (SGS) comprising 300 differentially expressed genes (DEGs; FDR < 5%) from a human sepsis case-control cohort using general linear models (GLMs). Reproducibility of SGS was assessed through three approaches applied to sub-sampled independent dataset
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
BACKGROUND: Modern biomedical data ecosystems increasingly rely on global cloud platforms to coordinate access to large-scale genomic and clinical datasets. However, operational governance remains largely investigator-centric, shifting the responsibility for complex security, compliance, and infrastructure management to individual laboratories. As data volumes and regulatory requirements expand, this approach fails to scale across the research enterprise. This disjointed approach creates a substantial governance burden and can slow down scientific progress. In centralized cloud environments, i
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
OBJECTIVES: To describe considerations for integration of human and artificial intelligence for creating a postmarketing surveillance system capable of timely and reliably identifying causal effects of medications on safety endpoints.
MATERIALS AND METHODS: The FDA has prioritized more extensive Electronic Health Records (EHR) integration along with generative artificial intelligence and machine learning (Gen AI/ML) into the national active surveillance program for medical products-the Sentinel Initiative. Based on our experience of leading these efforts, we provide perspectives on the opport
СтатьяПолный текст не найденПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
A key component of developing clinical decision support systems (CDSS) involves translating clinical protocols into executable code linking to the backend Electronic Health Record (EHR) systems - a challenging, time-consuming, and error-prone task, particularly for flowchart-based protocols with complex logic and role-specific actions. This study investigates the potential of large vision-language models (LVLMs) to automate pseudocode generation from clinical protocols as an initial step in this process. Using emergency medical services (EMS) as a case study, we evaluated state-of-the-art LVLM
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
OBJECTIVE: Clinical practice guidelines (CPGs) provide evidence-based recommendations for patient care; however, integrating them into artificial intelligence (AI) remains challenging. Previous approaches, such as rule-based systems or black-box AI models, face significant limitations, including poor interpretability, inconsistent adherence to guidelines, and narrow domain applicability. To address this, we develop and validate CPGPrompt, an auto-prompting system that converts narrative clinical guidelines into large language models (LLMs).
MATERIALS AND METHODS: Our framework translates CPGs
СтатьяПолный текст не найденПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Pancreatic ductal adenocarcinoma (PDAC) is frequently diagnosed in advanced stages, substantially limiting opportunities for early intervention. In this work, we present a multimodal survival modeling framework for prediagnostic PDAC risk stratification using routinely acquired clinical data, including abdominal computed tomography (CT) imaging, radiology reports, and structured electronic health record (EHR) variables. Our first contribution is a unified multimodal framework that integrates heterogeneous clinical data sources for prediagnostic risk modeling. Second, to address the sparsity an
СтатьяПолный текст не найденПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
BACKGROUND: People with type 1 diabetes mellitus (T1DM) show glucose variability driven by insulin dosing, meals, activity, and circadian rhythms. Many deep learning approaches treat glucose forecasting and hypoglycemia detection as separate tasks and provide limited transparency.
OBJECTIVE: We developed an explainable, multi-task temporal graph framework that jointly predicts glucose trajectories and hypoglycemia risk at 30 and 60 minute horizons, and provides bounded, patient-specific insulin adjustment recommendations.
METHODS: Temporal GAT-BiGRU transforms multimodal continuous glucose m
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
MedElevator
Войти в исследования