Dr. Josep Vidal-Alaball

CA ES EN

CA ES EN

CTBN-PH: A continuous-time Bayesian network for individualised diagnostic risk prediction Computers in Biology and Medicine · 2025 · Article 111069 · Disponible en línia el 23 de setembre de 2025 Llegir l'article (ScienceDirect) DOI: 10.1016/j.compbiomed.2025.111069 Català Español English Nou article on hem treballat un model probabilístic en temps continu per descriure i predir com evolucionen els diagnòstics al llarg dels anys. La proposta combina xarxes bayesianes en temps continu amb un model de supervivència de riscos proporcionals (Cox) per ajustar el risc segons característiques clíniques i socials dels pacients, i permet simular trajectòries adaptades a perfils concrets. Què aporta el mètode Aprèn una estructura causal de relacions entre diagnòstics a partir de trajectòries assistencials, i després n'estim...

Revista Clínica Española (English Edition) — Challenges and opportunities for generalist practice in the era of technology and AI New article by Francesc Borrell & Josep Vidal-Alaball Català Español English 📄 Nou article publicat a Revista Clínica Española (English Edition) : “Challenges and opportunities for generalist practice in the era of technology and AI” . Amb Francesc Borrell, reflexionem sobre com la tecnologia i la intel·ligència artificial poden transformar la pràctica clínica generalista — no per substituir professionals, sinó per potenciar la capacitat reflexiva, l’atenció personalitzada i el judici clínic. Idees clau Equilibri entre innovació i humanisme: adoptar eines digitals preservant empatia, experiència i pensament crític. L’IA com a suport a la presa de decisions, documentació i aprenentatge continu, amb lideratge clínic i governança de quali...

CCLR-DL: un híbrid estadística + deep learning per predir la demanda en salut (CMPB, 2025) CCLR-DL: un híbrid estadística + deep learning per predir la demanda en salut (CMPB, 2025) Català Castellano Publicat recentment a Computer Methods and Programs in Biomedicine (desembre 2025), l’estudi presenta CCLR-DL , un marc híbrid que integra correlacions creuades , regressió lineal múltiple amb retards i causalitat de Granger amb xarxes neuronals (especialment BiLSTM ) per pronosticar la demanda sanitària . Validat amb 10 anys de dades de l’ICS (2010–2019) i 6,3 M d’individus, el mètode millora l’RMSE un 19,8% vs models univariants i supera clarament no fer selecció de variables ( +60,1% ) o la selecció aleatòria ( +51,9% ), així com estratègies basades en SHAP ( +22,2% ). ...