Jove
Visualize
Contáctanos
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Videos de Conceptos Relacionados

Improving Translational Accuracy02:07

Improving Translational Accuracy

2.7K
2.7K
Model Approaches for Pharmacokinetic Data: Distributed Parameter Models01:06

Model Approaches for Pharmacokinetic Data: Distributed Parameter Models

126
Pharmacokinetic models are mathematical constructs that represent and predict the time course of drug concentrations in the body, providing meaningful pharmacokinetic parameters. These models are categorized into compartment, physiological, and distributed parameter models.
The distributed parameter models are specifically designed to account for variations and differences in some drug classes. This model is particularly useful for assessing regional concentrations of anticancer or...
126

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

Connectome-based spatial statistics enabling large-scale population analyses of human connectome across cohorts.

bioRxiv : the preprint server for biology·2026
Same author

Association Between Prepregnancy Blood Pressure and Reproductive Outcomes of In Vitro Fertilization.

Hypertension (Dallas, Tex. : 1979)·2026
Same author

Identifying genome-by-childhood trauma interactions for depression using a forest-based approach in the UK Biobank and Adolescent Brain Cognitive Development Study.

Proceedings of the National Academy of Sciences of the United States of America·2026
Same author

Zishen Yutai Pill increased live births in advanced maternal age women: a randomized clinical trial.

Nature communications·2025
Same author

Author Correction: Data-driven subtypes of polycystic ovary syndrome and their association with clinical outcomes.

Nature medicine·2025
Same author

Data-driven subtypes of polycystic ovary syndrome and their association with clinical outcomes.

Nature medicine·2025

Video Experimental Relacionado

Updated: Sep 10, 2025

Augmenting Large Language Models via Vector Embeddings to Improve Domain-Specific Responsiveness
03:14

Augmenting Large Language Models via Vector Embeddings to Improve Domain-Specific Responsiveness

Published on: December 6, 2024

681

El uso por parte de los médicos de grandes modelos de lenguaje: un estudio cuantitativo basado en datos a gran escala

Lin Qiu1, Chuang Tang2, Xuan Bi3

  • 1Department of Information Systems and Management Engineering, Southern University of Science and Technology, CoE North 907, 1088 Xueyuan Ave, Shenzhen, 518055, China, 86 0755 88012425.

Journal of medical Internet research
|August 25, 2025
PubMed
Resumen

Los médicos utilizan principalmente la inteligencia artificial generativa (GenAI) para la investigación médica, con usos que varían según el género, la edad y el dispositivo. Los riesgos de privacidad de los pacientes parecen bajos a pesar de alguna información sensible en las consultas.

Palabras clave:
Inteligencia artificialInteligencia artificial generativauso generativo de la IAInteligencia artificial generativacuidado de la saludgrandes modelos de lenguajela privacidad

Más Videos Relacionados

Evidence-based Knowledge Synthesis and Hypothesis Validation: Navigating Biomedical Knowledge Bases via Explainable AI and Agentic Systems
05:47

Evidence-based Knowledge Synthesis and Hypothesis Validation: Navigating Biomedical Knowledge Bases via Explainable AI and Agentic Systems

Published on: June 13, 2025

575
Constructing and Visualizing Models using Mime-based Machine-learning Framework
06:19

Constructing and Visualizing Models using Mime-based Machine-learning Framework

Published on: July 22, 2025

634

Videos de Experimentos Relacionados

Last Updated: Sep 10, 2025

Augmenting Large Language Models via Vector Embeddings to Improve Domain-Specific Responsiveness
03:14

Augmenting Large Language Models via Vector Embeddings to Improve Domain-Specific Responsiveness

Published on: December 6, 2024

681
Evidence-based Knowledge Synthesis and Hypothesis Validation: Navigating Biomedical Knowledge Bases via Explainable AI and Agentic Systems
05:47

Evidence-based Knowledge Synthesis and Hypothesis Validation: Navigating Biomedical Knowledge Bases via Explainable AI and Agentic Systems

Published on: June 13, 2025

575
Constructing and Visualizing Models using Mime-based Machine-learning Framework
06:19

Constructing and Visualizing Models using Mime-based Machine-learning Framework

Published on: July 22, 2025

634

Área de la Ciencia:

  • Tecnología de la salud
  • Informática médica
  • Inteligencia artificial en la medicina

Sus antecedentes:

  • La inteligencia artificial generativa (GenAI) se adopta cada vez más en el cuidado de la salud, pero su uso médico en el mundo real sigue siendo poco estudiado.
  • La investigación existente se centra en aplicaciones teóricas, y carece de información sobre el compromiso real de los médicos con las herramientas GenAI en la práctica.

Objetivo del estudio:

  • Analizar cuantitativamente los patrones de uso de GenAI por parte de los médicos en los flujos de trabajo clínicos y de investigación.
  • Examinar las tendencias temporales y las variaciones demográficas en la adopción de GenAI.
  • Evaluar los riesgos potenciales para la privacidad del paciente asociados con las interacciones con el GenAI médico.

Principales métodos:

  • Recogió y analizó 106.942 pares de preguntas y respuestas de 989 médicos durante un período de 8 meses.
  • Clasificación de temas empleada para identificar los casos de uso prevalentes y su evolución.
  • Desarrolló clasificadores de sensibilidad para detectar información de identificación personal en consultas para evaluar los riesgos de privacidad.

Principales resultados:

  • Los médicos usan predominantemente GenAI para la investigación médica (60,2%) en lugar de la práctica clínica (12,25%).
  • Las consultas relacionadas con el cuidado de la salud aumentaron con el tiempo, especialmente dentro de la secuencia de uso inicial.
  • Se observaron variaciones demográficas significativas: las mujeres y los médicos más jóvenes utilizaron GenAI más para tareas clínicas / administrativas, mientras que el acceso a la computadora se correlacionó con el enfoque de la investigación.

Conclusiones:

  • Los médicos están integrando GenAI, principalmente para la investigación, pero también para el apoyo clínico, con diversos usos en toda la demografía.
  • Si bien la información sensible apareció en las consultas, el riesgo general de violaciones de la privacidad parece mínimo.
  • Los patrones de adopción de GenAI resaltan la necesidad de estrategias adaptadas teniendo en cuenta la demografía de los médicos y la integración del flujo de trabajo.