Search research articles

Search research articles

Video Experimental Relacionado

Updated: Jan 13, 2026

Estimate the Cognitive Load Using Electrocardiographic Measure: A Human-AI Collaborative Task

Estimate the Cognitive Load Using Electrocardiographic Measure: A Human-AI Collaborative Task

Published on: December 5, 2025

EMBRACE: Aprendizaje Profundo Adaptativo para la Predicción Multitarea Explicable del Agotamiento en Médicos

Saima Alam¹, Mohammad Arif Ul Alam^2,3,4

¹Merrimack Health Methuen Hospital, Methuen, MA, United States.

|January 8, 2026

Resumen

Videos de Conceptos Relacionados

También podría leer

Artículos Relacionados

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

Ordenar por

Same author

Recent Advancements in Wearable Hydration-Monitoring Technologies: Scoping Review of Sensors, Trends, and Future Directions.

JMIR mHealth and uHealth·2025

Same author

Community-Wide Monitoring of Lead in Drinking Water Distribution Systems Using Hand-Held Voltammetric Sensors and Geographic Information Systems.

ACS omega·2025

Same author

Effects of Antidepressants on COVID-19 Outcomes: Retrospective Study on Large-Scale Electronic Health Record Data.

Interactive journal of medical research·2023

Same author

Nursing Perspectives on the Impacts of COVID-19: Social Media Content Analysis.

JMIR formative research·2021

Same journal

Ambient AI Scribes and Emergency Department Documentation Burden: Retrospective Cohort Study.

JMIR AI·2026

Same journal

Supporting Radiology Resident Education and Clinical Decision-Making With Large Language Models: Comparative Study of Reasoning Models DeepSeek-R1 and ChatGPT-o1.

JMIR AI·2026

Same journal

Patient Perceptions on the Use of Artificial Intelligence in Creating Clinical Research Documents: Survey Study.

JMIR AI·2026

Same journal

Application of Language Models for the Analysis of Adverse Drug Events in Pharmaceutical Research and Development: Scoping Review.

JMIR AI·2026

Same journal

Correction: Deep Learning for Age Estimation and Sex Prediction Using Mandibular-Cropped Cephalometric Images: Comparative Model Development and Validation Study.

JMIR AI·2026

Same journal

AI-Assisted Systematic Literature Review of the Economic Burden of Pneumococcal Disease: Development and Validation Study.

JMIR AI·2026

Ver todos los artículos relacionados

ACERCA DE JoVE

Visión General Liderazgo Blog Centro de Ayuda JoVE

AUTORES

Proceso de Publicación Consejo Editorial Alcance y Políticas Revisión por Pares Preguntas Frecuentes Enviar

BIBLIOTECARIOS

Testimonios Suscripciones Acceso Recursos Consejo Asesor de Bibliotecas Preguntas Frecuentes

INVESTIGACIÓN

JoVE Journal Methods Collections JoVE Encyclopedia of Experiments Archivo

EDUCACIÓN

JoVE Core JoVE Business JoVE Science Education JoVE Lab Manual Centro de Recursos para Profesores Sitio de Profesores

Términos y Condiciones de Uso

Política de Privacidad

Este resumen es generado por máquina.

Este estudio presenta EMBRACE, un marco novedoso de IA que utiliza sensores portátiles para predecir y explicar el agotamiento en médicos residentes. Ofrece información práctica para la intervención temprana y la mejora del bienestar del médico.

Área de la Ciencia:

Aprendizaje automático en atención médica
Tecnología de sensores portátiles
Investigación sobre el agotamiento profesional

Sus antecedentes:

Los residentes médicos enfrentan alto estrés y agotamiento debido a horarios exigentes.
Los modelos de aprendizaje automático existentes para el agotamiento carecen de explicabilidad clínica.
Los sensores portátiles ofrecen potencial para la predicción objetiva del agotamiento.

Objetivo del estudio:

Presentar EMBRACE, un marco explicable de predicción multitarea del agotamiento.
Predecir y explicar el agotamiento futuro en médicos residentes utilizando aprendizaje profundo adaptativo.
Mejorar la confianza clínica a través de técnicas de IA explicable (XAI).

Principales métodos:

Desarrollo de un marco de aprendizaje profundo adaptativo multitarea (EMBRACE).

Palabras clave:

explicabilidad clínica predicción futura de agotamiento informática de la salud aprendizaje automático aprendizaje multitarea sensores portátiles

Videos de Experimentos Relacionados

Last Updated: Jan 13, 2026

Estimate the Cognitive Load Using Electrocardiographic Measure: A Human-AI Collaborative Task

Estimate the Cognitive Load Using Electrocardiographic Measure: A Human-AI Collaborative Task

Published on: December 5, 2025

Utilización de datos de sensores portátiles para predecir actividades y niveles de agotamiento.

Integración de SHAP (Shapley Additive Explanations) para la interpretabilidad del modelo.

Validación en tres conjuntos de datos, incluido un conjunto de datos propietario de médicos residentes.

Principales resultados:

EMBRACE logró una alta precisión en la predicción de actividades, niveles de agotamiento y respuestas a encuestas en todos los conjuntos de datos.
El análisis SHAP identificó predictores clave de agotamiento como la variabilidad de la frecuencia cardíaca y el comportamiento sedentario.
El 91% de los participantes encontró satisfactorias las sumarias de importancia de las características.

Conclusiones:

EMBRACE ofrece una solución clínica explicable y procesable para la detección temprana del agotamiento.
El marco demuestra robustez y generalización en diversos conjuntos de datos.
El trabajo futuro incluye la ampliación del modelo y la evaluación del impacto a largo plazo en el bienestar del médico.