Wer sich an die Empfehlung „fünf Portionen Obst und Gemüse am Tag“ hält, erreicht damit häufig nicht die Menge an Flavanolen, die mit einem deutlich geringeren Risiko für Herz-Kreislauf-Erkrankungen in Verbindung gebracht wird. Das zeigt eine große Studie der University of Reading und internationaler Partner. Flavanole sind pflanzliche Wirkstoffe, die in bestimmten Obst- und Gemüsesorten sowie in grünem Tee vorkommen. Frühere Untersuchungen, darunter die große COSMOS-Studie, hatten gezeigt, dass eine tägliche Aufnahme von etwa 500 Milligramm Flavanolen das Risiko, an Herz-Kreislauf-Erkrankungen zu sterben, signifikant senken kann. In der aktuellen Analyse mit über 30.000 Teilnehmern aus Großbritannien und den USA erreichten jedoch weniger als jeder fünfte Mensch diese Menge – selbst unter denen, die regelmäßig fünf Portionen Obst und Gemüse aßen. Die Aufnahme hängt stark von der konkreten Auswahl der Lebensmittel ab. Besonders reich an Flavanolen sind: „Es kommt nicht nur… 

Eine systematische Übersichtsarbeit zeigt, wie die Kombination von föderiertem Lernen (Federated Learning), Blockchain und erklärbarer Künstlicher Intelligenz (Explainable AI) die sichere und datenschutzkonforme Verwaltung sensibler Gesundheitsdaten verbessern kann. Die in der Fachzeitschrift Frontiers in Digital Health veröffentlichte Review analysierte 26 Studien aus den Jahren 2018 bis 2026. Die Autoren kommen zu dem Ergebnis, dass kein einzelnes Verfahren ausreicht, um die komplexen Anforderungen an Datenschutz, Sicherheit, Interpretierbarkeit und Skalierbarkeit in der modernen Gesundheitsversorgung zu erfüllen. Stattdessen empfehlen sie eine integrierte Architektur. Föderiertes Lernen ermöglicht es, KI-Modelle dezentral auf lokalen Daten zu trainieren, ohne sensible Patientendaten zentral zu speichern oder zu übertragen. Blockchain sorgt für unveränderliche Protokolle und vertrauenswürdige Datenaustauschprozesse. Explainable AI macht die Entscheidungen der Modelle für Ärzte nachvollziehbar. Ergänzt wird dies durch inkrementelle Optimierungsverfahren, die eine kontinuierliche Anpassung der Modelle ermöglichen. Die Analyse identifiziert zehn zentrale Herausforderungen, darunter hohe Kommunikationskosten,… 

Ein Forschungsteam hat ein neues KI-Modell entwickelt, das unerwünschte Arzneimittelwirkungen (Adverse Drug Reactions, ADRs) aus Beiträgen in sozialen Medien und Foren erkennen kann. Das Modell namens Mamba-ADR kombiniert ein State-Space-Modell (Mamba) mit Faltungsnetzen und einer Regressionskomponente. In Tests auf dem MedHelp-Datensatz erreichte Mamba-ADR eine F1-Score von 79,28 Prozent und übertraf damit bisherige Methoden. Besonders hervorzuheben ist die geringe Rechenkomplexität: Das Modell benötigt deutlich weniger Rechenleistung als vergleichbare Transformer-basierte Ansätze und eignet sich daher besser für den praktischen Einsatz. Das System analysiert informelle, oft unstrukturierte Texte aus Patientenforen und erkennt nicht nur, ob eine Nebenwirkung vorliegt, sondern kann auch deren Ausprägung quantifizieren. Dadurch lassen sich Unsicherheiten in der Annotation besser berücksichtigen als bei reinen Klassifikationsansätzen. Die Autoren sehen in Mamba-ADR eine vielversprechende Ergänzung zur klassischen Pharmakovigilanz. Während herkömmliche Meldesysteme oft unter Untererfassung leiden, können Social-Media-Daten frühzeitig Hinweise auf bisher unbekannte oder…