Digital Health & Informatics の現在のカバレッジは、AIの性能競争が、地域差への適応、臨床経路への組込み、そして連続計測を意味ある判断へ変換する検証へ移っていることを示す。

救急トリアージ時の入院予測モデルは、長期運用中も比較的高い識別能を維持したが、データ分布の変化に伴って較正と病床需要の予測誤差は悪化した。拡張データを用いた定期的な再学習は、この運用上の劣化を改善し、半年ごとの更新は四半期ごとの更新と同程度の成績だった。

小児回結腸型腸重積における空気整復の成否を、静止Bモード超音波画像から予測するVision Transformer（ViT）が報告された。190例の前向き外部コホートで、モデルは高い識別能を示し、経験年数の異なる超音波検査者の判定を上回った。

心臓病専門研修医向け試験199問で、最先端の大規模言語モデル（LLM）は80％を超える正答率を示した。一方、受験者の誤答傾向との対応、生成した根拠の質、「正解なし」を見抜く能力まで調べると、試験得点だけでは評価できない弱点が明らかになった。

BrainSegは、脳組織分割、106領域の解剖学的区画化、腫瘍・脳卒中病変のラベリングを単一の深層学習フレームワークで扱うことを目指した研究である。胎児期から高齢期、MRIだけでなくCT、PET、超音波までを対象に、外部データでも高い分割精度を示した。

日常診療で蓄積される診断名、処方、処置の履歴だけから、将来のアルツハイマー病および関連認知症（ADRD）の記録診断リスクを推定するモデル「ZeBRA」が報告された。米国の大規模データで、50歳以上の1年後予測はAUC約0.93、10年後でも約0.83であった。

小児および先天性心疾患患者において、単一誘導心電図から左室収縮機能低下を検出するAIモデルが、外部施設を含む検証で良好な性能を示した。装着型機器で想定される強いノイズ下でも性能を維持した点は重要だが、心エコー検査の代替を示す研究ではない。

Neurology & Neuroscience では、AIの焦点が単なる診断分類から、痛み・発話・運動・画像・病理の揺らぎを臨床的に使えるパターンへ分解する方向へ移っている。

PregMedNetは、妊娠後期90日間の母体薬剤使用と新生児合併症の関連を、119万人超の母児ペアで系統的に解析した研究である。オンダンセトロンを含む複数の薬剤関連を見いだし、既報の少ないオンダンセトロンと新生児呼吸器合併症の関連はマウス実験でも検討された。

日常診療で取得された膨大なCT・MRIを、レポートや人手ラベルに依存せず学習させたNeuroVFMは、156の神経画像診断課題で高い性能を示した。画像を読むための専門的な視覚表現を基盤モデルとして育て、それを報告生成や緊急所見のトリアージへつなぐ試みである。