✖


Jump to content

Искусственный интеллект в здравоохранении

(Перенаправлено с ИИ-доктора )

Рентгенограмма руки с автоматическим расчетом костного возраста с помощью компьютерной программы.
Часть серии о
Искусственный интеллект
Основные цели
Подходы
Приложения
Философия
История
Глоссарий

Искусственный интеллект в здравоохранении — это применение искусственного интеллекта (ИИ) для копирования человеческого мышления при анализе, представлении и понимании сложных медицинских и медицинских данных или для превышения человеческих возможностей путем предоставления новых способов диагностики, лечения или предотвращения заболеваний. . [1] [2] В частности, ИИ — это способность компьютерных алгоритмов делать приблизительные выводы исключительно на основе входных данных.

Основная цель приложений искусственного интеллекта, связанных со здравоохранением, — анализ взаимосвязей между клиническими данными и результатами лечения пациентов. [3] Программы искусственного интеллекта применяются в таких практиках, как диагностика , протоколов лечения разработка , разработка лекарств , персонализированная медицина , а также мониторинг и уход за пациентами. Что отличает технологию искусственного интеллекта от традиционных технологий в здравоохранении, так это способность собирать более крупные и разнообразные данные, обрабатывать их и предоставлять конечным пользователям четко определенные выходные данные. ИИ делает это с помощью машинного обучения алгоритмов и глубокого обучения . Поскольку рентгенограммы являются наиболее распространенными визуализирующими тестами, проводимыми в большинстве радиологических отделений, потенциал ИИ для сортировки и интерпретации традиционных рентгенограмм (рентгеновских снимков) заслуживает особого внимания. [4] Эти процессы способны распознавать закономерности в поведении и создавать собственную логику. Чтобы получить полезную информацию и прогнозы, модели машинного обучения необходимо обучать с использованием больших объемов входных данных. Алгоритмы ИИ ведут себя иначе, чем люди, по двум причинам: (1) алгоритмы являются буквальными: как только цель установлена, алгоритм учится исключительно на входных данных и может понять только то, для чего он был запрограммирован, (2) и некоторое глубокое обучение. алгоритмы — это черные ящики ; Алгоритмы могут прогнозировать с чрезвычайной точностью, но практически не дают вразумительного объяснения логике своих решений, кроме данных и типа используемого алгоритма. [5]

Поскольку широкое использование ИИ в здравоохранении является относительно новым явлением, продолжаются исследования его применения в различных областях медицины и промышленности. Кроме того, больше внимания уделяется беспрецедентным этическим проблемам, связанным с его практикой, таким как конфиденциальность данных, автоматизация рабочих мест и предвзятость представления. [6] Кроме того, лидеры здравоохранения часто сопротивляются новым технологиям, созданным с помощью ИИ в здравоохранении, что приводит к их медленному и беспорядочному внедрению. [7]

В последние годы ИИ играет ведущую роль в использовании и оценке обширных коллекций данных. Google и клиника Мэйо Например, в объявили о партнерстве для решения сложных медицинских проблем с использованием медицинских инноваций, основанных на данных, или команды из Калифорнийскому университету Сан-Диего удалось создать диагностическую программу, обучив ИИ на медицинских записях 1,3 миллиона пациентов в возрасте до 18,80 лет. [8]

История

[ редактировать ]

Исследования 1960-х и 1970-х годов привели к созданию первой программы решения проблем или экспертной системы , известной как Дендрал . [9] [10] Хотя она была разработана для применения в органической химии, она послужила основой для последующей системы MYCIN . [11] считается одним из наиболее значительных ранних применений искусственного интеллекта в медицине. [11] [12] Однако MYCIN и другие системы, такие как INTERNIST-1 и CASNET, не получили широкого применения практикующими врачами. [13]

1980-е и 1990-е годы принесли распространение микрокомпьютеров и новый уровень сетевых подключений. За это время исследователи и разработчики осознали, что системы искусственного интеллекта в здравоохранении должны быть разработаны с учетом отсутствия точных данных и опираться на опыт врачей. [14] Подходы, включающие теорию нечетких множеств , [15] Байесовские сети , [16] и искусственные нейронные сети , [17] [18] были применены к интеллектуальным вычислительным системам в здравоохранении.

Медицинские и технологические достижения, произошедшие за этот полувековой период, позволили расширить применение ИИ в сфере здравоохранения, включая:

Алгоритмы искусственного интеллекта также можно использовать для анализа больших объемов данных через электронные медицинские записи в целях профилактики и диагностики заболеваний. Медицинские учреждения, такие как клиника Майо , Мемориальный онкологический центр Слоана-Кеттеринга , [26] [27] и Британская национальная служба здравоохранения , [28] разработали алгоритмы искусственного интеллекта для своих отделов. Крупные технологические компании, такие как IBM [29] и Гугл , [28] также разработали алгоритмы искусственного интеллекта для здравоохранения. Кроме того, больницы ищут программное обеспечение искусственного интеллекта для поддержки оперативных инициатив, которые увеличивают экономию средств, повышают удовлетворенность пациентов и удовлетворяют потребности в персонале и рабочей силе. [30] В настоящее время правительство США инвестирует миллиарды долларов в развитие искусственного интеллекта в здравоохранении. [5] Компании разрабатывают технологии, которые помогают менеджерам здравоохранения улучшить бизнес-операции за счет увеличения использования, уменьшения количества пациентов в стационаре, сокращения продолжительности пребывания и оптимизации численности персонала. [31]

Клинические применения

[ редактировать ]

Сердечно-сосудистая система

[ редактировать ]

Алгоритмы искусственного интеллекта показали многообещающие результаты в точной диагностике и стратификации риска пациентов с подозрением на ишемическую болезнь сердца, демонстрируя потенциал в качестве инструмента первоначальной сортировки. [32] [33] Другие алгоритмы использовались для прогнозирования смертности пациентов, эффектов лекарств и побочных эффектов после лечения острого коронарного синдрома . [32] Носимые устройства, смартфоны и интернет-технологии также продемонстрировали способность отслеживать данные о сердечной деятельности пациентов, расширяя объем данных и различные настройки, которые могут использовать модели искусственного интеллекта, и потенциально позволяя более раннее обнаружение сердечных событий, происходящих за пределами больницы. [34] Еще одной растущей областью исследований является использование искусственного интеллекта в классификации тонов сердца и диагностике заболеваний клапанов сердца . [35] Проблемы искусственного интеллекта в сердечно-сосудистой медицине включают ограниченность данных, доступных для обучения моделей машинного обучения, например, ограниченность данных о социальных детерминантах здоровья , связанных с сердечно-сосудистыми заболеваниями . [36]

Ключевым ограничением в ранних исследованиях по оценке ИИ было отсутствие данных, сравнивающих производительность алгоритмов с людьми. Примеры исследований, в которых оценивается эффективность ИИ по сравнению с врачами, включают в себя то, насколько ИИ не уступает людям при интерпретации эхокардиограмм сердца. [37] и что ИИ может диагностировать сердечный приступ лучше, чем врачи-люди в условиях неотложной помощи, что сокращает количество некачественных тестов и количество пропущенных диагнозов. [38]

В инженерии сердечно-сосудистых тканей и органоидных исследованиях ИИ все чаще используется для анализа изображений микроскопии и интеграции электрофизиологических данных. [39]

Дерматология

[ редактировать ]

Дерматология – это обширная специальность, специализирующаяся на визуализации. [40] а развитие глубокого обучения тесно связано с обработкой изображений . Таким образом, существует естественная связь между дерматологией и глубоким обучением. В дерматологии различают три основных типа изображений: контекстуальные изображения, макроизображения и микроизображения. [41] Для каждой модальности глубокое обучение продемонстрировало значительный прогресс. [42] Хан и др. показали обнаружение кератиноцитарного рака кожи по фотографиям лица. [43] Эстева и др. продемонстрировали классификацию рака кожи на уровне дерматолога на основе изображений поражений. [44] Ноян и др. продемонстрировали сверточную нейронную сеть , которая достигла точности 94% при идентификации клеток кожи на микроскопических изображениях мазков Тцанка . [45] В этой работе вызывает беспокойство то, что она не затрагивает различий, связанных с цветом кожи или дифференцированного обращения с пациентами с небелым оттенком кожи. [46]

По мнению некоторых исследователей, алгоритмы искусственного интеллекта оказались более эффективными, чем дерматологи, при выявлении рака. [47] Однако в обзорной статье 2021 года было обнаружено, что в большинстве статей, анализирующих эффективность алгоритмов ИИ, разработанных для классификации рака кожи, не использовались внешние наборы тестов. [48] Было обнаружено только четыре исследования, в которых алгоритмы ИИ тестировались в клиниках, регионах или группах населения, отличных от тех, на которых он обучался, и в каждом из этих четырех исследований было обнаружено, что эффективность дерматологов находится на одном уровне с эффективностью дерматологов. алгоритм. Более того, только одно исследование [49] был установлен в рамках полного клинического обследования; другие были основаны на взаимодействии через веб-приложения или онлайн-анкеты, причем большинство из них полностью основано на контекстно-свободных изображениях поражений. В этом исследовании было обнаружено, что дерматологи значительно превзошли алгоритмы. Многие статьи, утверждающие превосходную производительность алгоритмов искусственного интеллекта, также не проводят различия между стажерами и сертифицированными дерматологами в своих анализах. [48]

Также было высказано предположение, что ИИ можно использовать для автоматической оценки результатов челюстно-лицевой хирургии или лечения расщелины неба с точки зрения привлекательности лица или возраста. [50] [51]

Гастроэнтерология

[ редактировать ]

ИИ может играть роль в различных аспектах области гастроэнтерологии. Эндоскопические исследования, такие как эзофагогастродуоденоскопия (ЭГДС) и колоноскопия, основаны на быстром обнаружении аномальных тканей. Дополняя эти эндоскопические процедуры искусственным интеллектом, врачи могут быстрее выявлять заболевания, определять их тяжесть и визуализировать «слепые пятна». Ранние испытания использования систем искусственного интеллекта для обнаружения раннего рака желудка показали чувствительность, близкую к экспертным эндоскопистам. [52]

Акушерство и гинекология

[ редактировать ]

Искусственный интеллект, или ИИ, использует огромные объемы данных для прогнозирования заболеваний, их профилактики и диагностики, а также для наблюдения за пациентами. В акушерстве искусственный интеллект применяется при магнитно-резонансной томографии, УЗИ и кардиотокографии плода. ИИ способствует решению множества вопросов акушерской диагностики. [53]

Инфекционные заболевания

[ редактировать ]

ИИ продемонстрировал потенциал как в лабораторной, так и в клинической сфере медицины инфекционных заболеваний . [54] По мере того, как новый коронавирус опустошает мир, к 2025 году, по оценкам, Соединенные Штаты инвестируют более 2 миллиардов долларов в исследования в области здравоохранения, связанные с искусственным интеллектом, что более чем в 4 раза превышает сумму, потраченную в 2019 году (463 миллиона долларов). [55] Несмотря на то, что нейронные сети были разработаны для быстрого и точного обнаружения реакции хозяина на COVID-19 по образцам масс-спектрометрии , обзор литературы выявил несколько примеров использования ИИ непосредственно в клинической практике во время самой пандемии COVID-19. [56] Другие приложения включают в себя машины опорных векторов, определяющие устойчивость к противомикробным препаратам , анализ мазков крови с помощью машинного обучения для выявления малярии на месте оказания медицинской помощи и улучшенное тестирование болезни Лайма на основе обнаружения антигена. Кроме того, ИИ исследовался для улучшения диагностики менингита , сепсиса и туберкулеза , а также для прогнозирования осложнений лечения у с гепатитом B и гепатитом C. пациентов [54]

Опорно-двигательный аппарат

[ редактировать ]

ИИ использовался для выявления причин болей в коленях, которые упускают из виду врачи и которые непропорционально затрагивают чернокожих пациентов. [57] Недостаточно обслуживаемые группы населения испытывают более высокий уровень боли. Эти различия сохраняются даже после контроля объективной тяжести таких заболеваний, как остеоартрит, оцененных врачами с использованием медицинских изображений, что повышает вероятность того, что боль у недостаточно обслуживаемых пациентов возникает из-за внешних по отношению к колену факторов, таких как стресс. Исследователи провели исследование с использованием алгоритма машинного обучения, чтобы показать, что стандартные рентгенографические меры тяжести не учитывают объективные, но недиагностированные особенности, которые непропорционально влияют на диагностику и лечение недостаточно обслуживаемых групп населения с болью в колене. Они предположили, что новая алгоритмическая мера ALG-P потенциально может обеспечить расширенный доступ к лечению для недостаточно обслуживаемых пациентов. [58]

Неврология

[ редактировать ]

Использование технологий искусственного интеллекта изучалось для диагностики и прогнозирования болезни Альцгеймера (БА). Для диагностических целей были разработаны модели машинного обучения, основанные на данных структурной МРТ. [59] Наборы входных данных для этих моделей взяты из таких баз данных, как Инициатива по нейровизуализации болезни Альцгеймера. [60] Исследователи разработали модели, основанные на сверточных нейронных сетях , с целью повышения точности ранней диагностики. [61] Генеративно-состязательные сети — это форма глубокого обучения , которая также хорошо зарекомендовала себя при диагностике болезни Альцгеймера. [62] Также предпринимались попытки превратить модели машинного обучения в инструменты прогнозирования, которые могут предсказать прогноз пациентов с БА. Прогнозирование результатов лечения пациентов с помощью генеративных моделей было предложено исследователями как средство синтеза наборов обучения и проверки. [63] Они предполагают, что сгенерированные прогнозы пациентов можно использовать для предоставления будущим моделям более крупных наборов обучающих данных, чем текущие базы данных с открытым доступом.

онкология

[ редактировать ]

ИИ исследовался для использования в диагностике рака , стратификации риска, молекулярной характеристике опухолей и разработке лекарств от рака. Особая проблема в онкологической помощи, для решения которой разрабатывается ИИ, — это способность точно предсказать, какие протоколы лечения лучше всего подойдут каждому пациенту, исходя из его индивидуальных генетических, молекулярных и опухолевых характеристик. [64] ИИ был опробован в диагностике рака с помощью визуализационных исследований и слайдов патологии . [65]

В январе 2020 года Google DeepMind анонсировала алгоритм, способный превзойти экспертов-людей в обнаружении рака молочной железы при скрининговом сканировании. [66] [67] Ряд исследователей, в том числе Тревор Хасти , Джоэль Пино и Роберт Тибширани , среди других, опубликовали ответ, в котором утверждается, что в исследовательской публикации DeepMind в журнале Nature не хватает ключевых подробностей о методологии и коде, что «фактически подрывает ее научную ценность» и делает ее невозможной. чтобы научное сообщество подтвердило работу. [68] В MIT Technology Review автор Бенджамин Хайбе-Кейнс охарактеризовал работу DeepMind как «рекламу», имеющую мало общего с наукой. [69]

В июле 2020 года сообщалось, что алгоритм искусственного интеллекта, разработанный Питтсбургским университетом, достигает высочайшей на сегодняшний день точности выявления рака простаты : чувствительность 98% и специфичность 97%. [70] [71] В 2023 году в исследовании сообщалось об использовании ИИ для КТ классификации на основе радиомикроной для оценки агрессивности забрюшинной саркомы с точностью 82% по сравнению с 44% для лабораторного анализа биопсий. [72] [73]

Офтальмология

[ редактировать ]

Технологии, усовершенствованные искусственным интеллектом, используются в качестве вспомогательного средства при скрининге глазных заболеваний и предотвращении слепоты. [74] В 2018 году Управление по санитарному надзору за качеством пищевых продуктов и медикаментов США разрешило продажу первого медицинского устройства для диагностики определенного типа заболевания глаз — диабетической ретинопатии — с использованием алгоритма искусственного интеллекта. [75] Более того, технология искусственного интеллекта может использоваться для дальнейшего повышения «уровня диагностики» из-за потенциального сокращения времени обнаружения. [76]

Патология

[ редактировать ]
Дополнительная информация: Цифровая патология.
Расчет окраски Ki67 с помощью программного обеспечения с открытым исходным кодом QuPath в чистой семиноме, который позволяет оценить скорость пролиферации опухоли. Цвета обозначают интенсивность экспрессии: синий — отсутствие экспрессии, желтый — низкая экспрессия, оранжевый — умеренная экспрессия и красный — высокая экспрессия. [77]

Для многих заболеваний патологический анализ клеток и тканей считается золотым стандартом диагностики заболеваний. Методы цифровой патологии позволяют сканировать и анализировать предметные стекла микроскопа. Инструменты патологии с использованием искусственного интеллекта были разработаны для помощи в диагностике ряда заболеваний, включая рак молочной железы, гепатит B, рак желудка и колоректальный рак . ИИ также использовался для прогнозирования генетических мутаций и прогнозирования исходов заболеваний. [52] ИИ хорошо подходит для использования в несложном патологическом анализе крупномасштабных скрининговых образцов, таких как скрининг колоректального рака или рака молочной железы , что снижает нагрузку на патологоанатомов и позволяет ускорить анализ образцов. [78] Несколько моделей глубокого обучения и искусственных нейронных сетей показали точность, аналогичную точности человеческих патологов. [78] а исследование помощи глубокого обучения при диагностике метастатического рака молочной железы в лимфатических узлах показало, что точность людей с помощью программы глубокого обучения была выше, чем у людей в отдельности или только у программы искусственного интеллекта. [79] Кроме того, по прогнозам, внедрение цифровой патологии сэкономит университетскому центру более 12 миллионов долларов в течение пяти лет. [80] хотя экономия, связанная конкретно с ИИ, еще широко не исследовалась. Использование дополненной и виртуальной реальности может стать ступенькой к более широкому внедрению патологии с помощью искусственного интеллекта, поскольку они могут выделить проблемные области в образце патологии и представить их патологоанатому в режиме реального времени для более эффективного анализа. [78] ИИ также имеет потенциал для выявления гистологических результатов на уровнях, выходящих за пределы того, что может видеть человеческий глаз. [78] и продемонстрировал способность использовать генотипические и фенотипические данные для более точного определения опухоли, из которой возникла метастатическая опухоль. [81] Одним из основных текущих препятствий на пути широкого внедрения инструментов патологии с использованием ИИ является отсутствие проспективных рандомизированных многоцентровых контролируемых исследований по определению истинной клинической полезности ИИ для патологов и пациентов, что подчеркивает текущую область потребности в ИИ и исследования в области здравоохранения. [78]

Первичная помощь

[ редактировать ]

Первичная медико-санитарная помощь стала одной из ключевых областей развития технологий искусственного интеллекта. [82] [83] ИИ в первичной медико-санитарной помощи использовался для поддержки принятия решений, прогнозного моделирования и бизнес-аналитики. [84] Существует лишь несколько примеров систем поддержки принятия решений с использованием ИИ, клиническая эффективность которых была проспективно оценена при использовании врачами на практике. Но есть случаи, когда использование этих систем дало положительный эффект при выборе лечения врачами. [85]

Психиатрия

[ редактировать ]

В психиатрии приложения ИИ все еще находятся на стадии проверки концепции. [86] Области, в которых объем фактических данных быстро увеличивается, включают прогностическое моделирование результатов диагностики и лечения, [87] чат-боты, диалоговые агенты, имитирующие человеческое поведение и изучаемые на предмет тревоги и депрессии. [88]

Проблемы включают в себя тот факт, что многие приложения в этой области разрабатываются и предлагаются частными корпорациями, например, проверка на суицидальные мысли, реализованная Facebook в 2017 году. [89] Подобные применения за пределами системы здравоохранения поднимают различные профессиональные, этические и нормативные вопросы. [90] Другая проблема часто связана с достоверностью и интерпретируемостью моделей. Небольшие наборы обучающих данных содержат предвзятость, которая наследуется моделями и ставит под угрозу обобщаемость и стабильность этих моделей. Такие модели также могут быть дискриминационными по отношению к группам меньшинств, которые недостаточно представлены в выборках. [91]

В 2023 году базирующаяся в США Национальная ассоциация по расстройствам пищевого поведения заменила свой службы поддержки персонал чат-ботом , но была вынуждена отключить его от сети после того, как пользователи сообщили, что получали от него вредные советы. [92] [93] [94]

Радиология

[ редактировать ]

ИИ изучается в области радиологии для выявления и диагностики заболеваний с помощью компьютерной томографии (КТ) и магнитно-резонансной томографии (МР). [95] Это может быть особенно полезно в условиях, когда спрос на человеческий опыт превышает предложение или где данные слишком сложны, чтобы их могли эффективно интерпретировать читатели. [96] Несколько моделей глубокого обучения показали, что они примерно так же точны, как и медицинские работники, в выявлении заболеваний с помощью медицинской визуализации, хотя лишь немногие исследования, сообщающие об этих результатах, прошли внешнюю проверку. [97] ИИ также может предоставить рентгенологам преимущества, не связанные с интерпретацией, такие как снижение шума на изображениях, создание высококачественных изображений за счет более низких доз радиации, улучшение качества МР-изображений, [98] и автоматическую оценку качества изображения. [99] Дальнейшие исследования по использованию ИИ в ядерной медицине сосредоточены на реконструкции изображений, анатомических ориентирах и возможности более низких доз при визуализационных исследованиях. [100] Анализ изображений для контролируемых приложений искусственного интеллекта в радиологии в настоящее время включает в себя два основных метода: (1) на основе сверточных нейронных сетей анализ ; и (2) использование радиомики . [96]

Аптека

[ редактировать ]
Этот раздел представляет собой отрывок из книги «Искусственный интеллект в аптеке» . [ редактировать ]
Часть серии о
Искусственный интеллект
Основные цели
Подходы
Приложения
Философия
История
Глоссарий
Искусственный интеллект в аптеке – это применение искусственного интеллекта (ИИ) [101] [102] [103] к открытию, разработке и лечению пациентов с помощью лекарств . [104] ИИ в аптечной практике может произвести революцию во всех аспектах фармацевтических исследований, а также улучшить клиническое применение фармацевтических препаратов для профилактики, лечения или лечения заболеваний. [105] Искусственный интеллект, технология, которая позволяет машинам имитировать человеческий интеллект , нашла применение в фармацевтических исследованиях , производстве лекарств , системах доставки лекарств, оптимизации клинических испытаний, планах лечения и услугах, ориентированных на пациента. [106] [107] [108]

Системные приложения

[ редактировать ]

Диагностика заболеваний

[ редактировать ]

Статья Цзяна и др. (2017) продемонстрировали, что существует несколько типов методов искусственного интеллекта, которые используются при различных заболеваниях, например, машины опорных векторов, нейронные сети и деревья решений. Каждый из этих методов описывается как преследующий «тренировочную цель», поэтому «классификации максимально соответствуют результатам…». [ нужна ссылка ]

Чтобы продемонстрировать некоторые особенности диагностики/классификации заболеваний, при классификации этих заболеваний используются два разных метода, включая использование искусственных нейронных сетей (ИНС) и байесовских сетей (БН). Было обнаружено, что ANN лучше и может более точно классифицировать диабет и сердечно-сосудистые заболевания.

Благодаря использованию классификаторов машинного обучения (MLC) искусственный интеллект смог существенно помочь врачам в диагностике пациентов посредством манипулирования массовыми электронными медицинскими записями (EHR). [109] Медицинские условия стали более сложными, а с учетом обширной истории создания электронных медицинских записей вероятность дублирования случаев высока. [109] Хотя сегодня человек с редким заболеванием вряд ли будет единственным человеком, у которого было какое-либо заболевание, невозможность получить доступ к случаям со схожим симптоматическим происхождением является основным препятствием для врачей. [109] Внедрение ИИ не только поможет найти похожие случаи и методы лечения, например, с помощью ранних предсказателей болезни Альцгеймера и деменции , [110] но также учитывать основные симптомы и помогать врачам задавать наиболее подходящие вопросы, помогает пациенту получить наиболее точный диагноз и возможное лечение. [109]

Последние разработки в области статистической физики , машинного обучения и алгоритмов вывода изучаются на предмет их потенциала в улучшении подходов к медицинской диагностике. [111] Объединение навыков медицинских работников и машин может помочь преодолеть недостатки принятия решений в медицинской практике. Для этого необходимы точные определения заболеваний и вероятностный анализ симптомов и молекулярных профилей. Физики уже много лет изучают подобные проблемы, используя микроскопические элементы и их взаимодействия для определения макроскопических состояний различных физических систем. Таким образом, подходы машинного обучения, основанные на физике, могут применяться для изучения процессов заболеваний и проведения анализа биомаркеров.

Телемедицина

[ редактировать ]
Пожилой мужчина использует пульсоксиметр для измерения уровня кислорода в крови.

Рост телемедицины , удаленного лечения пациентов, показал рост возможных применений ИИ. [112] ИИ может помочь в удаленном уходе за пациентами, отслеживая их информацию с помощью датчиков. [113] Носимое устройство может обеспечить постоянный мониторинг состояния пациента и возможность замечать изменения, которые могут быть менее различимы для человека. Информацию можно сравнить с другими данными, которые уже были собраны с использованием алгоритмов искусственного интеллекта, которые предупреждают врачей, если есть какие-либо проблемы, о которых следует знать. [113]

Еще одно применение искусственного интеллекта — чат-бот-терапия. Однако некоторые исследователи утверждают, что использование чат-ботов в сфере психиатрической помощи не обеспечивает взаимности и подотчетности в уходе, которые должны существовать в отношениях между потребителем психиатрической помощи и поставщиком медицинских услуг (будь то чат-бот или психолог). [114]

Поскольку средний возраст увеличился из-за увеличения продолжительности жизни, искусственный интеллект может быть полезен в уходе за пожилыми людьми. [115] Такие инструменты, как датчики окружающей среды и персональные датчики, могут определять регулярную деятельность человека и предупреждать опекуна, если поведение или измеренные показатели жизненно важных функций являются ненормальными. [115] Хотя эта технология полезна, также ведутся дискуссии об ограничениях мониторинга с целью соблюдения конфиденциальности человека, поскольку существуют технологии, предназначенные для составления плана планировки дома и обнаружения взаимодействия между людьми. [115]

Электронные медицинские карты

[ редактировать ]

Электронные медицинские записи (ЭМК) имеют решающее значение для цифровизации и распространения информации в отрасли здравоохранения. Теперь, когда около 80% медицинских учреждений используют ЭМК, следующим шагом будет использование искусственного интеллекта для интерпретации записей и предоставления новой информации врачам. [116]

Одно приложение использует обработку естественного языка (NLP) для создания более кратких отчетов, которые ограничивают различия между медицинскими терминами за счет сопоставления схожих медицинских терминов. [116] Например, термины «сердечный приступ» и «инфаркт миокарда» означают одно и то же, но врачи могут использовать один и тот же термин в зависимости от личных предпочтений. [116] Алгоритмы НЛП объединяют эти различия, чтобы можно было анализировать большие наборы данных. [116] Другое использование НЛП идентифицирует фразы, которые являются избыточными из-за повторения в заметках врача, и сохраняет соответствующую информацию, чтобы ее было легче читать. [116] Другие приложения используют обработку концепций для анализа информации, введенной врачом текущего пациента, чтобы представить аналогичные случаи и помочь врачу не забыть включить все необходимые детали. [117]

Помимо редактирования содержимого ЭМК, существуют алгоритмы искусственного интеллекта, которые оценивают историю болезни отдельного пациента и прогнозируют риск заболевания на основе его предыдущей информации и семейного анамнеза. [118] Один общий алгоритм — это система, основанная на правилах, которая принимает решения аналогично тому, как люди используют блок-схемы. [119] Эта система принимает большие объемы данных и создает набор правил, которые связывают конкретные наблюдения с окончательными диагнозами. [119] Таким образом, алгоритм может принять данные нового пациента и попытаться предсказать вероятность того, что у него будет определенное состояние или заболевание. [119] Поскольку алгоритмы могут оценивать информацию о пациенте на основе совокупных данных, они могут найти любые нерешенные проблемы, на которые следует обратить внимание врача, и сэкономить время. [118] Одно исследование, проведенное исследовательским институтом Centerstone, показало, что прогнозирующее моделирование данных EHR достигло точности 70–72% при прогнозировании индивидуального ответа на лечение. [120] Эти методы полезны, поскольку количество медицинских записей в Интернете удваивается каждые пять лет. [118] У врачей нет пропускной способности для обработки всех этих данных вручную, и ИИ может использовать эти данные, чтобы помочь врачам в лечении своих пациентов. [118]

Взаимодействие с лекарственными средствами

[ редактировать ]

Улучшения в обработке естественного языка привели к разработке алгоритмов для определения лекарственного взаимодействия в медицинской литературе. [121] [122] [123] [124] Взаимодействие между лекарствами представляет угрозу для тех, кто принимает несколько лекарств одновременно, и опасность возрастает с увеличением количества принимаемых лекарств. [125] Чтобы решить проблему отслеживания всех известных или предполагаемых взаимодействий лекарств, были созданы алгоритмы машинного обучения для извлечения информации о взаимодействующих лекарствах и их возможных эффектах из медицинской литературы. В 2013 году усилия были объединены в рамках проекта DDIExtraction Challenge, в ходе которого группа исследователей из Университета Карлоса III собрала корпус литературы по лекарственным взаимодействиям, чтобы сформировать стандартизированный тест для таких алгоритмов. [126] Участников проверяли на их способность точно определить по тексту, какие препараты взаимодействуют друг с другом и каковы характеристики их взаимодействия. [127] Исследователи продолжают использовать этот корпус для стандартизации измерения эффективности своих алгоритмов. [121] [122] [124]

Другие алгоритмы идентифицируют взаимодействие лекарств по закономерностям в пользовательском контенте , особенно в электронных медицинских записях и/или отчетах о нежелательных явлениях. [122] [123] Такие организации, как Система сообщения о нежелательных явлениях FDA Всемирной организации здравоохранения, (FAERS) и VigiBase позволяют врачам отправлять отчеты о возможных негативных реакциях на лекарства. Алгоритмы глубокого обучения были разработаны для анализа этих отчетов и выявления закономерностей, предполагающих взаимодействие лекарств. [128]

Промышленность

[ редактировать ]

Тенденция слияния крупных компаний здравоохранения обеспечивает большую доступность данных о здоровье. Более обширные данные о состоянии здоровья закладывают основу для реализации алгоритмов искусственного интеллекта.

Большая часть отраслевого применения ИИ в секторе здравоохранения сосредоточена на системах поддержки клинических решений . По мере сбора большего количества данных алгоритмы машинного обучения адаптируются и обеспечивают более надежные ответы и решения. [95] Многие компании изучают возможности внедрения больших данных в отрасль здравоохранения. Многие компании исследуют рыночные возможности в сфере «технологий оценки, хранения, управления и анализа данных», которые являются важнейшими частями индустрии здравоохранения. [129]

Ниже приведены примеры крупных компаний, которые внесли свой вклад в разработку алгоритмов ИИ для использования в здравоохранении:

Илон Маск представил хирургического робота, который имплантирует мозговой чип Neuralink
  • Neuralink разработала нейропротез нового поколения , который сложно взаимодействует с тысячами нервных путей в мозге. [95] Их технология позволяет вставить чип размером примерно с четверть черепа на место куска черепа с помощью прецизионного хирургического робота, чтобы избежать случайной травмы. [95]

Приложения для цифровых консультантов используют искусственный интеллект для предоставления медицинских консультаций на основе личной истории болезни и общих медицинских знаний. Пользователи сообщают о своих симптомах в приложение, которое использует распознавание речи для сравнения с базой данных заболеваний. Затем Babylon предлагает рекомендуемое действие с учетом истории болезни пользователя. Предприниматели в сфере здравоохранения эффективно используют семь архетипов бизнес-моделей, чтобы вывести решения искусственного на рынок интеллекта. Эти архетипы зависят от ценности, создаваемой для целевого пользователя (например, ориентация на пациента по сравнению с ориентацией на поставщика медицинских услуг и плательщика) и механизмов получения ценности (например, предоставление информации или объединение заинтересованных сторон).

Компания IFlytek запустила сервисного робота «Xiao Man», в который интегрирована технология искусственного интеллекта для идентификации зарегистрированного клиента и предоставления персонализированных рекомендаций в медицинских областях. Он также работает в области медицинской визуализации. Подобные роботы также производятся такими компаниями, как UBTECH («Cruzr») и Softbank Robotics («Pepper»).

Индийский стартап Haptik недавно разработал чат-бота WhatsApp , который отвечает на вопросы, связанные со смертельным коронавирусом в Индии . Аналогичным образом, программная платформа ChatBot в партнерстве с медицинским технологическим стартапом Infermedica запустила ChatBot для оценки рисков COVID-19 . [132]

Поскольку рынок искусственного интеллекта постоянно расширяется, крупные технологические компании, такие как Apple, Google, Amazon и Baidu, имеют свои собственные исследовательские подразделения в области искусственного интеллекта, а также выделяют миллионы долларов на приобретение более мелких компаний, основанных на искусственном интеллекте. [129] Многие производители автомобилей также начинают использовать машинное обучение в своих автомобилях. [129] Такие компании, как BMW , GE , Tesla , Toyota и Volvo, проводят новые исследовательские кампании, чтобы найти способы изучения жизненной статистики водителей, чтобы убедиться, что они бодрствуют, обращают внимание на дорогу и не находятся под воздействием психоактивных веществ. [129]

Распространение помощи на развивающиеся страны

[ редактировать ]

Искусственный интеллект продолжает расширять свои возможности точно диагностировать больше людей в странах, где меньше врачей доступны для общественности. Многие новые технологические компании, такие как SpaceX и Raspberry Pi Foundation, позволили большему количеству развивающихся стран получить доступ к компьютерам и Интернету, чем когда-либо прежде. [133] Благодаря растущим возможностям искусственного интеллекта в Интернете передовые алгоритмы машинного обучения могут позволить пациентам поставить точный диагноз, хотя раньше у них не было возможности узнать, есть ли у них опасное для жизни заболевание или нет. [133]

Использование ИИ в развивающихся странах, у которых нет ресурсов, уменьшит потребность в аутсорсинге и может улучшить уход за пациентами. ИИ может позволить не только диагностировать пациента в районах, где медицинская помощь недостаточна, но также обеспечить хорошее качество обслуживания пациентов, предоставляя файлы для поиска наилучшего лечения для пациента. [134] Способность ИИ корректировать курс по ходу лечения также позволяет пациенту модифицировать лечение в зависимости от того, что ему подходит; уровень индивидуального ухода, которого практически нет в развивающихся странах. [134]

Регулирование

[ редактировать ]

Хотя исследования по использованию ИИ в здравоохранении направлены на подтверждение его эффективности в улучшении результатов лечения пациентов перед его более широким внедрением, его использование, тем не менее, может создать несколько новых типов риска для пациентов и медицинских работников, таких как алгоритмическая предвзятость , последствия «Не реанимировать» и другие проблемы машинной морали . ИИ может также поставить под угрозу защиту прав пациентов, таких как право на информированное согласие и право на защиту медицинских данных. [135] Эти проблемы клинического использования ИИ привели к потенциальной необходимости регулирования . Об исследованиях ИИ необходимо полностью и прозрачно сообщать, чтобы они имели ценность для одобрения регулирующих органов. В зависимости от этапа исследования, международные рекомендации по отчетности, основанные на консенсусе (TRIPOD+AI, [136] ВЫ РЕШАЕТЕ, [137] КОНСОРТ ИИ [138] ) были разработаны для предоставления рекомендаций по ключевым деталям, которые необходимо сообщать.

Мужчина выступает на семинаре по соблюдению GDPR на Саммите предпринимателей 2019 года.

В настоящее время существуют правила, касающиеся сбора данных о пациентах. Сюда входят такие политики, как Закон о переносимости и подотчетности медицинского страхования ( HIPAA ) и Европейский общий регламент по защите данных ( GDPR ). [139] GDPR касается пациентов в ЕС и подробно описывает требования к согласию на использование данных пациентов, когда организации собирают медицинские данные пациентов. Аналогичным образом, HIPAA защищает медицинские данные из записей пациентов в США. [139] В мае 2016 года Белый дом объявил о своих планах провести серию семинаров и сформировать подкомитет Национального совета по науке и технологиям (NSTC) по машинному обучению и искусственному интеллекту. В октябре 2016 года группа опубликовала Национальный стратегический план исследований и разработок в области искусственного интеллекта, в котором изложены предлагаемые приоритеты для финансируемых из федерального бюджета исследований и разработок в области искусственного интеллекта (внутри правительства и научных кругов). В отчете отмечается, что стратегический план исследований и разработок в области информационных технологий здравоохранения находится на стадии разработки.

Существует обеспокоенность тем, что большие языковые модели могут перегружать людей как точной медицинской информацией, так и дезинформацией, что приводит к потенциальным проблемам в общественном здравоохранении. Это требует разработки политики и руководства для пользователей в отношении медицинской информации через ИИ. [140]

Единственное агентство, выразившее обеспокоенность, — это FDA. Бакул Патель, заместитель директора Центра цифрового здравоохранения FDA, сказал в мае 2017 года: «Мы пытаемся привлечь людей, имеющих практический опыт разработки, к полному жизненному циклу продукта. У нас уже есть некоторые ученые, которые знают искусственный интеллект и машинное обучение, но нам нужны дополняющие друг друга люди, которые смогут смотреть вперед и видеть, как эта технология будет развиваться».

Организация Объединенных Наций (ВОЗ/МСЭ)

[ редактировать ]

Совместная Оперативная группа МСЭ и ВОЗ по искусственному интеллекту в здравоохранении (FG-AI4H) создала платформу, известную как Рамочная программа МСЭ-ВОЗ по искусственному интеллекту для здравоохранения , для тестирования и сравнительного анализа приложений ИИ в сфере здравоохранения. По состоянию на ноябрь 2018 года оценивается восемь вариантов использования, включая оценку риска рака молочной железы на основе гистопатологических изображений, выбор противоядия на основе изображений змей и диагностику поражений кожи.

Управление по санитарному надзору за качеством пищевых продуктов и медикаментов США

[ редактировать ]
Управление по контролю за продуктами и лекарствами США [141]

В январе 2021 года США FDA опубликовало новый План действий под названием «Программное обеспечение на основе искусственного интеллекта (ИИ)/машинного обучения (ML) как медицинское устройство (SaMD)». [142] В этом плане изложены будущие планы FDA по регулированию медицинских устройств, программное обеспечение которых будет включать искусственный интеллект. FDA планирует предпринять пять основных действий для усиления регулирования: 1. Специализированная нормативная база для SaMD на основе искусственного интеллекта и M, 2. Надлежащая практика машинного обучения (GMLP), 3. Подход, ориентированный на пациента, включающий прозрачность для пользователей, 4 . Нормативные научные методы, связанные с предвзятостью и надежностью алгоритмов, и 5. Реальная производительность (RWP). Этот план стал прямым ответом на отзывы заинтересованных сторон о дискуссионном документе 2019 года, также опубликованном FDA.

По данным Министерства здравоохранения и социальных служб США, Управление по гражданским правам (OCR) выпустило руководство по этичному использованию ИИ в здравоохранении. В руководстве излагаются четыре основных этических принципа, которым необходимо следовать: уважение автономии, благодеяние, непричинение вреда и справедливость. Уважение автономии требует, чтобы люди имели контроль над своими собственными данными и решениями. Благотворительность требует, чтобы ИИ использовался во благо, например, для улучшения качества медицинской помощи и сокращения различий в состоянии здоровья. Непричинение вреда требует, чтобы ИИ использовался без причинения вреда, например, во избежание дискриминации при принятии решений. Наконец, справедливость требует, чтобы ИИ использовался справедливо, например, используя одни и те же стандарты для принятия решений независимо от расы, пола или уровня дохода человека. Более того, по состоянию на март 2021 года OCR наняло главного специалиста по искусственному интеллекту (OCAIO) для «реализации стратегии HHS AI». [143] OCR также издал правила и положения для защиты конфиденциальности медицинской информации людей. Эти правила требуют, чтобы поставщики медицинских услуг соблюдали определенные правила конфиденциальности при использовании ИИ. OCR также требует, чтобы поставщики медицинских услуг вели учет того, как они используют ИИ, и обеспечивали безопасность своих систем ИИ. В целом США предприняли шаги для защиты конфиденциальности людей и решения этических вопросов, связанных с использованием ИИ в здравоохранении. [144]

США — не единственная страна, которая разработала или инициировала правила конфиденциальности данных с помощью ИИ. Другие страны ввели правила защиты данных, в частности, в отношении вторжения в частную жизнь компаний. В Дании Датская экспертная группа по этике данных приняла рекомендации «Данные на благо людей». Эти рекомендации призваны стимулировать ответственное использование данных в бизнес-секторе с упором на обработку данных. Рекомендации включают акцент на равенстве и недискриминации в отношении предвзятости в сфере ИИ, а также на человеческом достоинстве. Подчеркивается важность человеческого достоинства, поскольку оно, как говорят, перевешивает прибыль и должно уважаться во всех процессах обработки данных. [145]

Европейский Союз ввел Общий регламент по защите данных (GDPR) для защиты персональных данных граждан, который применяется к использованию ИИ в здравоохранении. Кроме того, Европейская комиссия разработала руководящие принципы для обеспечения этического развития ИИ, включая использование алгоритмов для обеспечения справедливости и прозрачности. [146] Благодаря GDPR Европейский Союз первым начал регулировать ИИ посредством законодательства о защите данных. Союз считает неприкосновенность частной жизни фундаментальным правом человека и хочет предотвратить несогласованное и вторичное использование данных частными или государственными медицинскими учреждениями. Упрощая доступ к личным данным для медицинских исследований и выводов, они могут подтвердить право и важность конфиденциальности пациентов. [146] В США Закон о переносимости и подотчетности медицинского страхования (HIPAA) требует от организаций защищать конфиденциальность и безопасность информации о пациентах. Центры Medicare и Medicaid Services также выпустили рекомендации по разработке медицинских приложений на основе искусственного интеллекта. [147]

Этические проблемы

[ редактировать ]

Сбор данных

[ редактировать ]

Чтобы эффективно обучать машинному обучению и использовать ИИ в здравоохранении, необходимо собрать огромные объемы данных. Однако в большинстве случаев получение этих данных происходит за счет конфиденциальности пациентов и не пользуется одобрением общественности. Например, опрос, проведенный в Великобритании, показал, что 63% населения не хотят делиться своими личными данными с целью улучшения технологии искусственного интеллекта. [139] Нехватка реальных, доступных данных о пациентах является препятствием, которое сдерживает прогресс в разработке и внедрении большего количества искусственного интеллекта в здравоохранении.

Кроме того, отсутствие действующих правил, касающихся ИИ в Соединенных Штатах, вызвало опасения по поводу неправильного управления данными пациентов, например, когда корпорации используют данные пациентов для финансовой выгоды. Например, выяснилось, что швейцарская медицинская компания Roche приобрела медицинские данные примерно о 2 миллионах больных раком на общую сумму 1,9 миллиарда долларов. [148] Естественно, это порождает вопросы этического характера; Существует ли денежная цена, которую можно установить за данные, и должна ли она зависеть от ее воспринимаемой ценности или вклада в науку? Справедливо ли по отношению к пациентам продавать свои данные? Эти опасения были решены в опросе, проведенном Исследовательским центром Pew в 2022 году, в котором американцев спрашивали, что они думают о возросшем присутствии ИИ в их повседневной жизни. По оценкам опроса, 37% американцев были скорее обеспокоены, чем взволнованы таким возросшим присутствием. , причем 8% участников конкретно связывают свою обеспокоенность с «людьми, злоупотребляющими ИИ». [149] В конечном счете, нынешний потенциал искусственного интеллекта в здравоохранении дополнительно сдерживается опасениями по поводу неправильного управления собранными данными, особенно в Соединенных Штатах.

Автоматизация

[ редактировать ]

Систематический обзор и тематический анализ, проведенные в 2023 году, показали, что большинство заинтересованных сторон, включая медицинских работников, пациентов и широкую общественность, сомневаются в том, что помощь с использованием ИИ может быть чуткой. [150]

Согласно исследованию 2019 года, ИИ может заменить до 35% рабочих мест в Великобритании в течение следующих 10–20 лет. [151] Однако из этих рабочих мест был сделан вывод, что ИИ до сих пор не уничтожил ни одну работу в сфере здравоохранения. Хотя, если бы ИИ автоматизировал рабочие места, связанные со здравоохранением, наиболее восприимчивыми к автоматизации были бы те, которые связаны с цифровой информацией, радиологией и патологией, а не те, которые связаны с взаимодействием врача с пациентом. [151]

Автоматизация может принести пользу и врачам. Ожидается, что врачи, использующие преимущества ИИ в здравоохранении, будут предоставлять более качественную медицинскую помощь, чем врачи и медицинские учреждения, которые этого не делают. [152] ИИ, скорее всего, не полностью заменит работников здравоохранения, а скорее даст им больше времени для ухода за пациентами. ИИ может предотвратить выгорание и когнитивную перегрузку медицинских работников.

В последнее время между экспертами здравоохранения было много дискуссий по поводу искусственного интеллекта и ухода за пожилыми людьми. Что касается ухода за пожилыми людьми, боты с искусственным интеллектом помогли пожилым жителям, живущим в престарелых, с развлечениями и компанией. Эти боты позволяют персоналу дома проводить больше времени один на один с каждым жителем, но боты также запрограммированы на большее количество возможностей в том, что они могут делать; например, знание разных языков и различные виды ухода в зависимости от состояния пациента. Бот — это машина искусственного интеллекта, что означает, что он проходит такое же обучение, как и любая другая машина — использует алгоритмы для анализа данных, обучения на их основе и прогнозирования результата в зависимости от конкретной ситуации. [153]

Предвзятость

[ редактировать ]

Поскольку ИИ принимает решения исключительно на основе данных, которые он получает в качестве входных данных, важно, чтобы эти данные представляли точную демографическую информацию о пациентах. В условиях больницы пациенты не имеют полных знаний о том, как создаются или калибруются прогностические алгоритмы. Таким образом, эти медицинские учреждения могут несправедливо кодировать свои алгоритмы, чтобы дискриминировать меньшинства и отдавать приоритет прибыли, а не обеспечению оптимального ухода. [154] Недавний обзорный обзор выявил 18 проблем справедливости, а также 15 стратегий, которые могут быть реализованы для их решения при разработке приложений ИИ с использованием сопоставления «многие ко многим» . [155]

В этих алгоритмах также может быть непреднамеренная предвзятость, которая может усугубить социальное неравенство и неравенство в сфере здравоохранения. [154] Поскольку решения ИИ являются прямым отражением его входных данных, получаемые им данные должны точно отражать демографические данные пациентов. Белые мужчины чрезмерно представлены в наборах медицинских данных. [156] Таким образом, наличие минимальных данных о пациентах из числа меньшинств может привести к тому, что ИИ будет делать более точные прогнозы для большинства населения, что приведет к непреднамеренному ухудшению медицинских результатов для меньшинств. [157] Сбор данных от сообществ меньшинств также может привести к медицинской дискриминации. Например, ВИЧ является распространенным вирусом среди меньшинств, и ВИЧ-статус может использоваться для дискриминации пациентов. [156] Помимо систематических ошибок, которые могут возникнуть в результате отбора выборки, на функциональность ИИ могут также влиять различные клинические системы, используемые для сбора данных. Например, рентгенографические системы и их результаты (например, разрешение) различаются в зависимости от поставщика. Более того, методы работы врача, такие как положение пациента при рентгенографии, также могут сильно повлиять на данные и затруднить их сопоставимость. [158] Однако эти предубеждения можно устранить путем тщательного внедрения и методического сбора репрезентативных данных.

Последний источник предвзятости, который получил название «предвзятость выбора метки», возникает, когда прокси-меры используются для обучения алгоритмов, которые создают предвзятость в отношении определенных групп. Например, широко используемый алгоритм прогнозировал затраты на здравоохранение как показатель потребностей в медицинской помощи и использовал прогнозы для распределения ресурсов для помощи пациентам со сложными медицинскими потребностями. Это привело к предвзятости, поскольку чернокожие пациенты имеют более низкие затраты, даже если они столь же нездоровы, как и белые пациенты. [159] Решения «предвзятости выбора метки» направлены на то, чтобы более точно сопоставить фактическую цель (то, что предсказывает алгоритм) с идеальной целью (то, что исследователи хотят, чтобы алгоритм предсказал), поэтому в предыдущем примере вместо прогнозирования затрат исследователи будут Сосредоточьтесь на переменной потребностей в здравоохранении, которая гораздо более значима. Изменение цели привело к почти удвоению числа чернокожих пациентов, отобранных для участия в программе.

См. также

[ редактировать ]

Ссылки

[ редактировать ]
  1. ^ «Разработка часов старения с использованием глубокого обучения изображений сетчатки» . ai.googleblog.com . 11 апреля 2023 г. Проверено 1 июня 2023 г.
  2. ^ Муллайнатан С., Обермайер З. (май 2022 г.). «Устранение узкого места в медицинских данных: Nightingale Open Science» . Природная медицина . 28 (5): 897–899. дои : 10.1038/s41591-022-01804-4 . ПМИД   35534570 . S2CID   248668494 .
  3. ^ Койера Э (1997). Руководство по медицинской информатике, Интернету и телемедицине . Чепмен и Холл, ООО
  4. ^ Адамс С.Дж., Хендерсон Р.Д., Йи Икс, Бэбин П. (февраль 2021 г.). «Решения искусственного интеллекта для анализа рентгеновских изображений» . Журнал Канадской ассоциации радиологов = Journal l'Association Canadienne des Radiologues . 72 (1): 60–72. дои : 10.1177/0846537120941671 . ПМИД   32757950 . S2CID   221036912 .
  5. ^ Jump up to: а б Лука М., Кляйнберг Дж., Муллайнатан С. (январь – февраль 2016 г.). «Алгоритмам тоже нужны менеджеры» . Гарвардское деловое обозрение . Проверено 8 октября 2018 г.
  6. ^ Флориди Л., Люэтге С., Пагалло У., Шафер Б., Вальке П., Вайена Э. и др. (01.09.2019). «Ключевые этические проблемы в европейской системе медицинской информации» . Разум и машины 29 (3): 355–371. дои : 10.1007/s11023-018-9467-4 . hdl : 2318/1728336 . ISSN   1572-8641 . S2CID   49668711 .
  7. ^ Петерссон Л., Ларссон И., Нигрен Дж.М., Нильсен П., Неер М., Рид Дж.Э. и др. (июль 2022 г.). «Проблемы внедрения искусственного интеллекта в здравоохранении: качественное интервью с руководителями здравоохранения Швеции» . Исследование услуг здравоохранения BMC . 22 (1): 850. doi : 10.1186/s12913-022-08215-8 . ПМК   9250210 . ПМИД   35778736 .
  8. ^ Валинасаб О (2023). «Аналитика больших данных для автоматизации раскрытия изобретений искусственного интеллекта». 27 ВС США Интел. Проп. и техн. ЖЖ 133 . 2 (27): 133–149. дои : 10.2139/ssrn.4087752 .
  9. ^ Линдси Р.К., Бьюкенен Б.Г., Фейгенбаум Э.А., Ледерберг Дж. (1993). «ДЕНДРАЛ: пример первой экспертной системы для формирования научных гипотез» . Искусственный интеллект . 61 (2): 209–261. дои : 10.1016/0004-3702(93)90068-м . hdl : 2027.42/30758 .
  10. ^ Леа А.С. (2023). Оцифровка диагностики: медицина, разум и машины в Америке двадцатого века . Издательство Университета Джонса Хопкинса. стр. 1–256. ISBN  978-1-4214-4681-3 .
  11. ^ Jump up to: а б Кланси У.Дж., Шортлифф Э.Х. (1984). Чтения по медицинскому искусственному интеллекту: первое десятилетие . Аддисон-Уэсли Лонгман Паблишинг Ко., Инк.
  12. ^ Брюс Дж., Бьюкенен Б.Г., Шортлифф Э.Д. (1984). Экспертные системы, основанные на правилах: эксперименты MYCIN Стэнфордского проекта эвристического программирования .
  13. ^ Дуда Р.О., Шортлифф Э.Х. (апрель 1983 г.). «Исследование экспертных систем». Наука . 220 (4594): 261–268. Бибкод : 1983Sci...220..261D . дои : 10.1126/science.6340198 . ПМИД   6340198 .
  14. ^ Миллер Р.А. (1994). «Системы поддержки принятия медицинских диагностических решений - прошлое, настоящее и будущее: многопрофильная библиография и краткий комментарий» . Журнал Американской ассоциации медицинской информатики . 1 (1): 8–27. дои : 10.1136/jamia.1994.95236141 . ПМЦ   116181 . ПМИД   7719792 .
  15. ^ Адлассниг КП (июль 1980 г.). «Нечеткая логическая модель компьютерной медицинской диагностики». Методы информации в медицине . 19 (3): 141–148. дои : 10.1055/s-0038-1636674 . ПМИД   6997678 .
  16. ^ Реджиа Дж.А., Пэн Ю. (сентябрь 1987 г.). «Моделирование диагностических рассуждений: краткое изложение экономной теории покрытия» . Компьютерные методы и программы в биомедицине . 25 (2): 125–134. дои : 10.1016/0169-2607(87)90048-4 . ПМК   2244953 . ПМИД   3315427 .
  17. ^ Baxt WG (декабрь 1991 г.). «Использование искусственной нейронной сети для диагностики инфаркта миокарда». Анналы внутренней медицины . 115 (11): 843–848. дои : 10.7326/0003-4819-115-11-843 . ПМИД   1952470 .
  18. ^ Маклин П.С., Демпси Дж., Брукс Дж., Рэнд Дж. (февраль 1991 г.). «Использование нейронных сетей для диагностики рака». Журнал медицинских систем . 15 (1): 11–19. дои : 10.1007/bf00993877 . ПМИД   1748845 . S2CID   10189561 .
  19. ^ Куми Дж., Берард С., Санчес М., Вонг Х. (март 2010 г.). «Последствия исторических тенденций в электрической эффективности вычислений». IEEE Анналы истории вычислений . 33 (3): 46–54. CiteSeerX   10.1.1.323.9505 . дои : 10.1109/MAHC.2010.28 . S2CID   8305701 .
  20. ^ Барнс Б., Дюпре Дж. (2009). Геномы и что из них делать . Издательство Чикагского университета. [ нужна страница ]
  21. ^ Джа А.К., ДесРош СМ, Кэмпбелл Э.Г., Донелан К., Рао С.Р., Феррис Т.Г. и др. (апрель 2009 г.). «Использование электронных медицинских карт в больницах США» . Медицинский журнал Новой Англии . 360 (16): 1628–1638. дои : 10.1056/NEJMsa0900592 . ПМИД   19321858 . S2CID   19914056 .
  22. ^ Банко М., Брилл Э. (июль 2001 г.). «Масштабирование до очень-очень больших корпусов для устранения неоднозначности на естественном языке» (PDF) . Материалы 39-го ежегодного собрания Ассоциации компьютерной лингвистики . Ассоциация компьютерной лингвистики: 26–33. Архивировано из оригинала (PDF) 7 апреля 2019 г. Проверено 7 апреля 2019 г.
  23. ^ Догерти Дж. (2009). Цифровая обработка изображений для медицинских приложений . Издательство Кембриджского университета.
  24. ^ «Искусственный интеллект и машинное обучение в здравоохранении» . Сигмоидальный . 21 декабря 2017 г. Архивировано из оригинала 17 августа 2020 г. . Проверено 26 марта 2018 г.
  25. ^ Ху Л, Ли Л (декабрь 2022 г.). «Использование древовидного машинного обучения для исследований в области здравоохранения: обзор литературы и серия примеров» . Международный журнал экологических исследований и общественного здравоохранения . 19 (23): 16080. doi : 10.3390/ijerph192316080 . ПМЦ   9736500 . ПМИД   36498153 .
  26. ^ Power B (19 марта 2015 г.). «Искусственный интеллект почти готов к бизнесу» . Гарвардское деловое обозрение . Массачусетская больница общего профиля .
  27. ^ Бахл М., Барзилай Р., Йедидия А.Б., Локасио Н.Дж., Ю.Л., Lehman CD (март 2018 г.). «Поражения молочной железы высокого риска: модель машинного обучения для прогнозирования патологического обновления и уменьшения ненужного хирургического удаления». Радиология . 286 (3): 810–818. дои : 10.1148/radiol.2017170549 . ПМИД   29039725 . S2CID   4910088 .
  28. ^ Jump up to: а б Блох-Будзье С. (22 ноября 2016 г.). «Национальная служба здравоохранения использует технологии Google для лечения пациентов» . Новости Би-би-си .
  29. ^ Лоренцетти Л. (5 апреля 2016 г.). «Вот как IBM Watson Health преобразует индустрию здравоохранения» . Удача .
  30. ^ Кент Дж (08 августа 2018 г.). «Поставщики используют прогнозную аналитику для получения клинической и финансовой выгоды» . ЗдоровьеITAnalytics . Проверено 16 января 2019 г.
  31. ^ Ли К. (4 января 2016 г.). «Прогнозная аналитика в здравоохранении помогает улучшить использование операционных» . ПоискЗдоровьеИТ . Проверено 16 января 2019 г.
  32. ^ Jump up to: а б Ван Х, Цзу Ц, Чен Дж, Ян З, Ахмед М.А. (октябрь 2021 г.). «Применение искусственного интеллекта при остром коронарном синдроме: краткий обзор литературы». Достижения в терапии . 38 (10): 5078–5086. дои : 10.1007/s12325-021-01908-2 . ПМИД   34528221 . S2CID   237522871 .
  33. ^ Инфанте Т., Кавальер С., Пунцо Б., Гримальди В., Сальваторе М., Наполи К. (декабрь 2021 г.). «Подходы радиогеномики и искусственного интеллекта, применяемые к компьютерной томографии сердца, ангиографии и магнитному резонансу сердца для точной медицины при ишемической болезни сердца: систематический обзор» . Тираж. Сердечно-сосудистая визуализация . 14 (12): 1133–1146. дои : 10.1161/CIRCIMAGING.121.013025 . ПМИД   34915726 . S2CID   245284764 .
  34. ^ Сотиракос С., Фуда Б., Мохамед Разиф Н.А., Криббен Н., Малхолл С., О'Бирн А. и др. (февраль 2022 г.). «Использование искусственного интеллекта в кардиореабилитации, систематический обзор». Будущая кардиология . 18 (2): 154–164. дои : 10.2217/fca-2021-0010 . ПМИД   33860679 . S2CID   233258636 .
  35. ^ Чен В, Сунь Ц, Чэнь Икс, Се Г, У Х, Сюй Ц (май 2021 г.). «Методы глубокого обучения для классификации звуков сердца: систематический обзор» . Энтропия . 23 (6): 667. Бибкод : 2021Entrp..23..667C . дои : 10.3390/e23060667 . ПМЦ   8229456 . ПМИД   34073201 .
  36. ^ Чжао Ю., Вуд Э.П., Мирин Н., Кук С.Х., Чунара Р. (октябрь 2021 г.). «Социальные детерминанты в моделях прогнозирования сердечно-сосудистых заболеваний машинного обучения: систематический обзор» . Американский журнал профилактической медицины . 61 (4): 596–605. дои : 10.1016/j.amepre.2021.04.016 . ПМИД   34544559 .
  37. ^ Хе Б., Кван А.С., Чо Дж.Х., Юань Н., Поллик С., Шиота Т. и др. (апрель 2023 г.). «Слепое рандомизированное исследование ультразвуковой диагностики по сравнению с оценкой сердечной функции AI» . Природа . 616 (7957): 520–524. Бибкод : 2023Natur.616..520H . дои : 10.1038/s41586-023-05947-3 . ПМЦ   10115627 . ПМИД   37020027 .
  38. ^ Муллайнатан С., Обермайер З. (2022 г.). « Диагностика ошибок врача: подход машинного обучения к малоценной медицинской помощи » . Ежеквартальный экономический журнал . 137 (2): 679–727. doi : 10.1093/qje/qjab046 – через Oxford Academic.
  39. ^ Бакс М., Торп Дж., Романов В. (декабрь 2023 г.). «Будущее персонализированной сердечно-сосудистой медицины требует 3D- и 4D-печати, стволовых клеток и искусственного интеллекта» . Границы в сенсорах . 4 . дои : 10.3389/fsens.2023.1294721 . ISSN   2673-5067 .
  40. ^ Хиблер Б.П., Ци Q, Росси А.М. (март 2016 г.). «Современное состояние визуализации в дерматологии» . Семинары по кожной медицине и хирургии . 35 (1): 2–8. дои : 10.12788/j.sder.2016.001 . ПМИД   26963110 .
  41. ^ «Изображение в дерматологии» . dermnetnz.org . Проверено 23 февраля 2021 г.
  42. ^ Чан С., Редди В., Майерс Б., Тибодо К., Браунстоун Н., Ляо В. (июнь 2020 г.). «Машинное обучение в дерматологии: текущие применения, возможности и ограничения» . Дерматология и терапия . 10 (3): 365–386. дои : 10.1007/s13555-020-00372-0 . ПМЦ   7211783 . ПМИД   32253623 .
  43. ^ Хан С.С., Мун И.Дж., Лим В., Су И.С., Ли С.И., На Джи и др. (январь 2020 г.). «Обнаружение кератиноцитарного рака кожи на лице с использованием региональной сверточной нейронной сети» . JAMA Дерматология . 156 (1): 29–37. дои : 10.1001/jamadermatol.2019.3807 . ПМК   6902187 . ПМИД   31799995 .
  44. ^ Эстева А., Купрел Б., Новоа Р.А., Ко Дж., Светтер С.М., Блау Х.М. и др. (февраль 2017 г.). «Классификация рака кожи с глубокими нейронными сетями на уровне дерматолога» . Природа . 542 (7639): 115–118. Бибкод : 2017Natur.542..115E . дои : 10.1038/nature21056 . ПМЦ   8382232 . ПМИД   28117445 . S2CID   3767412 .
  45. ^ Ноян М.А., Дурду М., Эскиочак А.Х. (октябрь 2020 г.). «TzanckNet: сверточная нейронная сеть для идентификации клеток в цитологии эрозивно-везикулобуллезных заболеваний» . Научные отчеты . 10 (1): 18314. doi : 10.1038/s41598-020-75546-z . ПМЦ   7591506 . ПМИД   33110197 .
  46. ^ Адамсон А.С., Смит А. (ноябрь 2018 г.). «Машинное обучение и различия в здравоохранении в дерматологии». JAMA Дерматология . 154 (11): 1247–1248. дои : 10.1001/jamadermatol.2018.2348 . ПМИД   30073260 . S2CID   51907489 .
  47. ^ «Компьютер учится обнаруживать рак кожи точнее, чем врачи» . Хранитель . 29 мая 2018 г.
  48. ^ Jump up to: а б Хаггенмюллер С., Марон Р.К., Хеклер А., Утикал Дж.С., Барата С., Барнхилл Р.Л. и др. (октябрь 2021 г.). «Классификация рака кожи с помощью сверточных нейронных сетей: систематический обзор исследований с участием экспертов-людей» . Европейский журнал рака . 156 : 202–216. дои : 10.1016/j.ejca.2021.06.049 . ПМИД   34509059 .
  49. ^ Хан С.С., Мун И.Дж., Ким Ш., На Джи, Ким М.С., Пак Г.Х. и др. (ноябрь 2020 г.). «Оценка глубоких нейронных сетей для диагностики доброкачественных и злокачественных новообразований кожи в сравнении с дерматологами: ретроспективное проверочное исследование» . ПЛОС Медицина . 17 (11): e1003381. дои : 10.1371/journal.pmed.1003381 . ПМЦ   7688128 . ПМИД   33237903 .
  50. ^ Паткас Р., Бернини Д.А., Волокитин А., Агустссон Э., Роте Р., Тимофте Р. (январь 2019 г.). «Применение искусственного интеллекта для оценки влияния ортогнатического лечения на привлекательность лица и предполагаемый возраст» . Международный журнал челюстно-лицевой хирургии . 48 (1): 77–83. дои : 10.1016/j.ijom.2018.07.010 . ПМИД   30087062 .
  51. ^ Паткас Р., Тимофте Р., Волокитин А., Агустссон Е., Элиадес Т., Эйхенбергер М. и др. (август 2019 г.). «Привлекательность лица пациентов с расщелиной: прямое сравнение между оценкой на основе искусственного интеллекта и обычными группами оценщиков». Европейский журнал ортодонтии . 41 (4): 428–433. дои : 10.1093/ejo/cjz007 . hdl : 20.500.11850/377316 . ПМИД   30788496 . S2CID   73507799 .
  52. ^ Jump up to: а б Цао Дж.С., Лу ЗИ, Чен М.Ю., Чжан Б., Джуэнпанич С., Ху Дж.Х. и др. (апрель 2021 г.). «Искусственный интеллект в гастроэнтерологии и гепатологии: состояние и проблемы» . Всемирный журнал гастроэнтерологии . 27 (16): 1664–1690. дои : 10.3748/wjg.v27.i16.1664 . ПМК   8072192 . ПМИД   33967550 .
  53. ^ Ким ХИ, Чо Г.Дж., Квон Х.С. (январь 2023 г.). «Применение искусственного интеллекта в акушерстве» . УЗИ . 42 (1): 2–9. дои : 10.14366/usg.22063 . ПМЦ   9816710 . ПМИД   36588179 .
  54. ^ Jump up to: а б Тран Н.К., Альбахра С., Мэй Л., Уолдман С., Крэбтри С., Бейнбридж С. и др. (декабрь 2021 г.). «Развитие применения искусственного интеллекта и машинного обучения при тестировании на инфекционные заболевания» . Клиническая химия . 68 (1): 125–133. дои : 10.1093/clinchem/hvab239 . ПМЦ   9383167 . ПМИД   34969102 .
  55. ^ «Влияние пандемии COVID-19: глобальные расходы на исследования и разработки искусственного интеллекта в здравоохранении и фармацевтике увеличатся на 1,5 миллиарда долларов США к 2025 году» . Медицинское письмо о CDC и FDA. 3 мая 2020 г. – через Gale Academic OneFile.
  56. ^ Манн С., Бердал Коннектикут, Бейкер Л., Гироси Ф. (октябрь 2022 г.). Пани Д. (ред.). «Приложения искусственного интеллекта, используемые в клиническом ответе на COVID-19: обзорный обзор» . PLOS Цифровое здоровье . 1 (10): e0000132. doi : 10.1371/journal.pdig.0000132 . ПМЦ   9931281 . ПМИД   36812557 .
  57. ^ «ИИ может сделать здравоохранение более справедливым, помогая нам верить тому, что говорят пациенты» . Обзор технологий Массачусетского технологического института . Проверено 3 июня 2023 г.
  58. ^ Пирсон Э., Катлер Д.М., Лесковец Дж., Муллайнатан С., Обермайер З. (январь 2021 г.). «Алгоритмический подход к уменьшению необъяснимых различий в боли среди малообеспеченных групп населения». Природная медицина . 27 (1): 136–140. дои : 10.1038/s41591-020-01192-7 . ПМИД   33442014 . S2CID   256839494 .
  59. ^ Ходжасте-Сарахси М., Хагиги С.С., Гоми С.М., Маркиори Э. (август 2022 г.). «Глубокое обучение для диагностики болезни Альцгеймера: опрос». Искусственный интеллект в медицине . 130 (933–3657): 102332. doi : 10.1016/j.artmed.2022.102332 . ПМИД   35809971 . S2CID   249633553 .
  60. ^ «Об АДНИ» . 2017 . Проверено 30 октября 2023 г.
  61. ^ Нгуен Х.Д., Клеман М., Мансенкаль Б., Купе П (21 сентября 2021 г.). Глубокая оценка на основе коллективного искусственного интеллекта для диагностики и прогноза AD . Интерпретируемость машинного интеллекта в вычислениях медицинских изображений, топологическом анализе данных и его приложениях для медицинских данных. Спрингер, Чам. стр. 24–33. arXiv : 2211.15192 . дои : 10.1007/978-3-030-87444-5_3 .
  62. ^ Цюй С, Цзоу Ю, Ма Ю, Чен Ц, Луо Дж, Фань Х и др. (21 апреля 2022 г.). «Диагностическая эффективность методов глубокого обучения на основе генеративно-состязательных сетей при болезни Альцгеймера: систематический обзор и метаанализ» . Границы стареющей неврологии . 14 : 841696. дои : 10.3389/fnagi.2022.841696 . ПМК   9068970 . ПМИД   35527734 .
  63. ^ Фишер К.К., Смит А.М., Уолш-младший (сентябрь 2019 г.). «Машинное обучение для комплексного прогнозирования прогрессирования болезни Альцгеймера» . Научные отчеты . 9 (1): 13622. arXiv : 1807.03876 . Бибкод : 2019НатСР...913622Ф . дои : 10.1038/s41598-019-49656-2 . ПМК   6754403 . ПМИД   31541187 .
  64. ^ Бхиндер Б., Гилвари С., Мадукар Н.С., Elemento O (апрель 2021 г.). «Искусственный интеллект в исследованиях рака и точной медицине» . Открытие рака . 11 (4): 900–915. дои : 10.1158/2159-8290.CD-21-0090 . ПМЦ   8034385 . ПМИД   33811123 .
  65. ^ Маджумдер А., Сен Д. (октябрь 2021 г.). «Искусственный интеллект в диагностике и терапии рака: современные перспективы» . Индийский журнал рака . 58 (4): 481–492. doi : 10.4103/ijc.IJC_399_20 . ПМИД   34975094 . S2CID   240522128 .
  66. ^ Коби Н. (1 января 2020 г.). «Новый искусственный интеллект DeepMind может обнаружить рак молочной железы так же хорошо, как и ваш врач» . Проводной . Проверено 1 января 2020 г.
  67. ^ МакКинни С.М., Сенек М., Годбол В., Годвин Дж., Антропова Н., Ашрафиан Х. и др. (январь 2020 г.). «Международная оценка системы искусственного интеллекта для скрининга рака молочной железы». Природа . 577 (7788): 89–94. Бибкод : 2020Природа.577...89М . дои : 10.1038/s41586-019-1799-6 . hdl : 10044/1/76203 . ПМИД   31894144 . S2CID   209523468 .
  68. ^ МакКинни С.М., Сенек М., Годбол В., Годвин Дж., Антропова Н., Ашрафиан Х. и др. (январь 2020 г.). «Международная оценка системы искусственного интеллекта для скрининга рака молочной железы». Природа . 577 (7788): 89–94. Бибкод : 2020Природа.577...89М . дои : 10.1038/s41586-019-1799-6 . hdl : 10044/1/76203 . ПМИД   31894144 .
  69. ^ Heaven WD (12 ноября 2020 г.). «ИИ борется с кризисом репликации» . Обзор технологий Массачусетского технологического института .
  70. ^ «Искусственный интеллект идентифицирует рак простаты с почти идеальной точностью» . ЭврекАлерт! . 27 июля 2020 г. Проверено 29 июля 2020 г.
  71. ^ Пантановиц Л., Кирога-Гарса Г.М., Бьен Л., Хелед Р., Лайфенфельд Д., Линхарт С. и др. (август 2020 г.). «Алгоритм искусственного интеллекта для диагностики рака простаты по целым слайдовым изображениям биопсии основной иглы: слепое клиническое исследование по проверке и внедрению» . «Ланцет». Цифровое здоровье . 2 (8): е407–е416. дои : 10.1016/S2589-7500(20)30159-X . ПМИД   33328045 .
  72. ^ Артур А., Ортон М.Р., Эмсли Р., Вит С., Келли-Морланд С., Штраус Д. и др. (ноябрь 2023 г.). «Радиомная классификационная модель на основе КТ для прогнозирования гистологического типа и степени опухоли при забрюшинной саркоме (RADSARC-R): ретроспективный многогрупповой анализ» . «Ланцет». Онкология . 24 (11): 1277–1286. дои : 10.1016/S1470-2045(23)00462-X . ПМЦ   10618402 . ПМИД   37922931 .
  73. ^ «Ученые в восторге от инструмента искусственного интеллекта, который оценивает тяжесть редкого рака» . Новости Би-би-си . 01.11.2023 . Проверено 12 ноября 2023 г.
  74. ^ Равиндран С. (апрель 2019 г.). «Как искусственный интеллект помогает предотвратить слепоту». Природа . дои : 10.1038/d41586-019-01111-y . ПМИД   32269369 . S2CID   146005413 .
  75. ^ Офис комиссара (24 марта 2020 г.). «FDA разрешает продавать устройства на основе искусственного интеллекта для выявления определенных проблем с глазами, связанных с диабетом» . FDA . Проверено 11 февраля 2023 г.
  76. ^ Хан Дж. Х. (август 2022 г.). «Искусственный интеллект при заболеваниях глаз: последние разработки, применения и исследования» . Диагностика . 12 (8): 1927. doi : 10.3390/diagnostics12081927 . ПМЦ   9406878 . ПМИД   36010277 .
  77. ^ Лоренсу БК, Гимарайнш-Тейшейра С, Флорес БК, Миранда-Гонсалвеш В, Гимарайнш Р, Кантанте М и др. (февраль 2022 г.). «Экспрессия Ki67 и LSD1 в опухолях зародышевых клеток яичек не связана с исходом заболевания: исследование с использованием алгоритма цифровой патологии» . Жизнь . 12 (2): 264. Бибкод : 2022Life...12..264L . дои : 10.3390/life12020264 . ПМЦ   8875543 . ПМИД   35207551 .
    - Рис. 2. Доступно по лицензии: Creative Commons Attribution 4.0 International.
  78. ^ Jump up to: а б с д и Фёрш С., Клаушен Ф., Хуфнагль П., Рот В. (март 2021 г.). «Искусственный интеллект в патологии» . Deutsches Ärzteblatt International . 118 (12): 194–204. дои : 10.3238/arztebl.m2021.0011 . ПМЦ   8278129 . ПМИД   34024323 .
  79. ^ Штайнер Д.Ф., Макдональд Р., Лю Ю., Трушковски П., Хипп Дж.Д., Гаммейдж С. и др. (декабрь 2018 г.). «Влияние помощи глубокого обучения на гистопатологический обзор лимфатических узлов при метастатическом раке молочной железы» . Американский журнал хирургической патологии . 42 (12): 1636–1646. дои : 10.1097/PAS.0000000000001151 . ПМК   6257102 . ПМИД   30312179 .
  80. ^ Хо Дж., Алерс С.М., Стратман С., Аридор О., Пантановиц Л., Файн Дж.Л. и др. (2014). «Может ли цифровая патология привести к экономии затрат? Финансовый прогноз внедрения цифровой патологии в крупной интегрированной организации здравоохранения» . Журнал патологоанатомической информатики . 5 (1): 33. дои : 10.4103/2153-3539.139714 . ПМК   4168664 . ПМИД   25250191 .
  81. ^ Юрмейстер П., Бокмайр М., Зеегерер П., Бокмайр Т., Треу Д., Монтавон Г. и др. (сентябрь 2019 г.). «Анализ профилей метилирования ДНК с помощью машинного обучения отличает первичный плоскоклеточный рак легких от метастазов головы и шеи» . Наука трансляционной медицины . 11 (509): eaaw8513. doi : 10.1126/scitranslmed.aaw8513 . ПМИД   31511427 . S2CID   202564269 .
  82. ^ Мистри П (сентябрь 2019 г.). «Искусственный интеллект в первичной медико-санитарной помощи» . Британский журнал общей практики . 69 (686): 422–423. дои : 10.3399/bjgp19X705137 . ПМК   6715470 . ПМИД   31467001 .
  83. ^ Близ С., Капчук Т.Дж., Бернштейн М.Х., Мандл К.Д., Халамка Дж.Д., ДеРош СМ (март 2019 г.). «Искусственный интеллект и будущее первичной медико-санитарной помощи: предварительное качественное исследование мнений врачей общей практики Великобритании» . Журнал медицинских интернет-исследований . 21 (3): e12802. дои : 10.2196/12802 . ПМК   6446158 . ПМИД   30892270 . S2CID   59175658 .
  84. ^ Лиянаге Х., Лиау С.Т., Джоннагаддала Дж., Шрайбер Р., Кузимский С., Терри А.Л. и др. (август 2019 г.). «Искусственный интеллект в первичной медико-санитарной помощи: восприятие, проблемы и проблемы» . Ежегодник медицинской информатики . 28 (1): 41–46. дои : 10.1055/s-0039-1677901 . ПМК   6697547 . ПМИД   31022751 .
  85. ^ Гертер В.Е., Хук Дж., Сина Г., Ноттнерус Б.Дж., Нуманс М.Э., Вивел М.А. и др. (май 2022 г.). «Влияние системы поддержки принятия решений на основе машинного обучения при инфекциях мочевыводящих путей: проспективное наблюдательное исследование в 36 клиниках первичной медико-санитарной помощи» . ЖМИР Медицинская информатика . 10 (5): e27795. дои : 10.2196/27795 . ПМК   9118012 . ПМИД   35507396 . S2CID   246819392 .
  86. ^ Грэм С., Депп С., Ли Э.Э., Небекер С., Ту Х., Ким Х.К. и др. (ноябрь 2019 г.). «Искусственный интеллект для психического здоровья и психических заболеваний: обзор» . Текущие отчеты психиатрии . 21 (11): 116. дои : 10.1007/s11920-019-1094-0 . ПМЦ   7274446 . ПМИД   31701320 .
  87. ^ Чекроуд А.М., Бондар Дж., Дельгадилло Дж., Доэрти Г., Васил А., Фоккема М. и др. (июнь 2021 г.). «Перспективы машинного обучения в прогнозировании результатов лечения в психиатрии» . Мировая психиатрия . 20 (2): 154–170. дои : 10.1002/wps.20882 . ПМЦ   8129866 . ПМИД   34002503 .
  88. ^ Фулмер Р., Джоерин А., Джентиле Б., Лазеринк Л., Раус М. (декабрь 2018 г.). «Использование психологического искусственного интеллекта (Тесс) для облегчения симптомов депрессии и тревоги: рандомизированное контролируемое исследование» . JMIR психического здоровья . 5 (4): е64. дои : 10.2196/mental.9782 . ПМК   6315222 . ПМИД   30545815 .
  89. ^ Копперсмит Дж., Лири Р., Кратчли П., Файн А. (январь 2018 г.). «Обработка естественного языка в социальных сетях как скрининг риска самоубийства» . Взгляды в области биомедицинской информатики . 10 : 1178222618792860. дои : 10.1177/1178222618792860 . ПМК   6111391 . ПМИД   30158822 .
  90. ^ Брунн М., Дифенбахер А., Курте П., Джинис В. (август 2020 г.). «Будущее уже приближается: как искусственный интеллект фундаментально изменит психиатрию» . Академическая психиатрия . 44 (4): 461–466. дои : 10.1007/s40596-020-01243-8 . ПМИД   32424706 . S2CID   218682746 .
  91. ^ Ратледж РБ, Чекроуд AM, Хайс QJ (апрель 2019 г.). «Машинное обучение и большие данные в психиатрии: к клиническому применению» . Современное мнение в нейробиологии . Машинное обучение, большие данные и нейронаука. 55 : 152–159. дои : 10.1016/j.conb.2019.02.006 . ПМИД   30999271 . S2CID   115202826 .
  92. ^ Кримминс Т (30 мая 2023 г.). « Этот робот причиняет вред»: новый чат-бот Национальной ассоциации по расстройствам пищевого поведения советует людям с расстройствами пищевого поведения похудеть» . Ежедневная точка . Проверено 2 июня 2023 г.
  93. ^ Найт Т. (31 мая 2023 г.). «Горячая линия по расстройствам пищевого поведения увольняет ИИ за вредные советы после увольнения людей» .
  94. ^ Аратани Л (31 мая 2023 г.). «Горячая линия США по расстройствам пищевого поведения отключила чат-бота с искусственным интеллектом из-за вредных советов» . Хранитель . ISSN   0261-3077 . Проверено 1 июня 2023 г.
  95. ^ Jump up to: а б с д Писарчик А.Н., Максименко В.А., Храмов А.Е. (октябрь 2019). «От новой технологии к новым приложениям: комментарий к «Интегрированной платформе интерфейса мозг-машина с тысячами каналов» Илона Маска и Neuralink» . Журнал медицинских интернет-исследований . 21 (10): e16356. дои : 10.2196/16356 . ПМК   6914250 . ПМИД   31674923 . S2CID   207818415 .
  96. ^ Jump up to: а б Хосни А., Пармар С., Квакенбуш Дж., Шварц Л.Х., Аэртс Х.Дж. (август 2018 г.). «Искусственный интеллект в радиологии» . Обзоры природы. Рак . 18 (8): 500–510. дои : 10.1038/s41568-018-0016-5 . ПМК   6268174 . ПМИД   29777175 .
  97. ^ Лю Х, Фаес Л., Кале А.У., Вагнер С.К., Фу Дж., Брюнзилс А. и др. (октябрь 2019 г.). «Сравнение эффективности глубокого обучения с медицинскими работниками при выявлении заболеваний с помощью медицинских изображений: систематический обзор и метаанализ» . «Ланцет». Цифровое здоровье . 1 (6): е271–е297. дои : 10.1016/S2589-7500(19)30123-2 . ПМИД   33323251 . S2CID   204037561 .
  98. ^ Джорджеску М.И., Ионеску Р.Т., Мирон А.И., Савенку О., Ристя Н.К., Верга Н. и др. (2023). Мультимодальное многоголовочное сверточное внимание с различными размерами ядра для сверхразрешения медицинских изображений (отчет). Зимняя конференция IEEE/CVF по применению компьютерного зрения. стр. 2195–2205.
  99. ^ Ричардсон М.Л., Гарвуд Э.Р., Ли Ю., Ли М.Д., Ло Х.С., Нагараджу А. и др. (сентябрь 2021 г.). «Неинтерпретативное использование искусственного интеллекта в радиологии». Академическая радиология . 28 (9): 1225–1235. дои : 10.1016/j.acra.2020.01.012 . ПМИД   32059956 .
  100. ^ Зайферт Р., Вебер М., Кочакавук Э., Ришплер С., Керстинг Д. (март 2021 г.). «Искусственный интеллект и машинное обучение в ядерной медицине: перспективы будущего». Семинары по ядерной медицине . 51 (2): 170–177. doi : 10.1053/j.semnuclmed.2020.08.003 . ПМИД   33509373 . S2CID   224863373 .
  101. ^ Узиалко А. (21 февраля 2023 г.). «Как искусственный интеллект меняет бизнес» . Деловые новости ежедневно . Проверено 11 августа 2023 г.
  102. ^ Гюлен К. (6 сентября 2022 г.). «Новые технологии: искусственный интеллект формирует каждую отрасль» . Датакономи Медиа ГмбХ . Проверено 11 августа 2023 г.
  103. ^ Франкенфилд Дж. (24 апреля 2023 г.). Скотт Дж. (ред.). «Искусственный интеллект: что это такое и как он используется» . Инвестопедия . Проверено 11 августа 2023 г.
  104. ^ Вора Л.К., Голап А.Д., Джета К., Такур Р.Р., Соланки Х.К., Чавда В.П. (июль 2023 г.). «Искусственный интеллект в фармацевтических технологиях и дизайне доставки лекарств» . Фармацевтика . 15 (7): 1916. doi : 10.3390/pharmaceutics15071916 . ПМЦ   10385763 . ПМИД   37514102 .
  105. ^ Хан О., Парвез М., Кумари П., Парвез С., Ахмад С. (июнь 2023 г.). «Будущее фармацевтики: как искусственный интеллект совершает революцию в отрасли» . Интеллектуальная аптека . 1 (1): 32–40. дои : 10.1016/j.ipha.2023.04.008 . ISSN   2949-866X . S2CID   258625020 .
  106. ^ Чаудхари С., Мутхудосс П., Мадхешваран Т., Паудел А., Гайквад В. (2023). «Искусственный интеллект (ИИ) в проектировании, разработке и производстве лекарственных средств». Справочник по искусственному интеллекту в доставке лекарств . Эльзевир. стр. 395–442. дои : 10.1016/b978-0-323-89925-3.00015-0 . ISBN  978-0-323-89925-3 . Проверено 19 декабря 2023 г.
  107. ^ «ИИ для фармацевта № 6. Определение потребностей в образовании в области ИИ в фармацевтических науках» . www.linkedin.com . Проверено 19 декабря 2023 г.
  108. ^ Вора Л.К., Голап А.Д., Джета К., Тхакур Р.Р., Соланки Х.К., Чавда В.П. (10 июля 2023 г.). «Искусственный интеллект в фармацевтических технологиях и дизайне доставки лекарств» . Фармацевтика . 15 (7): 1916. doi : 10.3390/pharmaceutics15071916 . ISSN   1999-4923 . ПМЦ   10385763 . ПМИД   37514102 .
  109. ^ Jump up to: а б с д Лян Х., Цуй Б.И., Ни Х., Валентим К.С., Бакстер С.Л., Лю Г. и др. (март 2019 г.). «Оценка и точная диагностика заболеваний детского возраста с использованием искусственного интеллекта». Природная медицина . 25 (3): 433–438. дои : 10.1038/s41591-018-0335-9 . ПМИД   30742121 . S2CID   59945159 .
  110. ^ Ли Q, Ян X, Сюй J, Го Y, Хэ X, Ху Х и др. (август 2023 г.). «Раннее прогнозирование болезни Альцгеймера и связанных с ней деменций с использованием реальных электронных медицинских записей» . Болезнь Альцгеймера и деменция . 19 (8): 3506–3518. дои : 10.1002/alz.12967 . ПМЦ   10976442 . ПМИД   36815661 . S2CID   257101613 .
  111. ^ Рамезанпур А., Бим А.Л., Чен Дж.Х., Машаги А. (ноябрь 2020 г.). «Статистическая физика для медицинской диагностики: алгоритмы обучения, вывода и оптимизации» . Диагностика . 10 (11): 972. doi : 10.3390/diagnostics10110972 . ПМЦ   7699346 . ПМИД   33228143 .
  112. ^ Хамет П., Трембле Дж. (апрель 2017 г.). «Искусственный интеллект в медицине». Метаболизм . Взгляд в будущее медицины: технологии, концепции и интеграция. 69С : С36–С40. дои : 10.1016/j.metabol.2017.01.011 . ПМИД   28126242 .
  113. ^ Jump up to: а б Пивоваров Р., Эльхадад Н. (сентябрь 2015 г.). «Автоматизированные методы обобщения электронной медицинской документации» . Журнал Американской ассоциации медицинской информатики . 22 (5): 938–947. дои : 10.1093/jamia/ocv032 . ПМЦ   4986665 . ПМИД   25882031 . S2CID   1452 .
  114. ^ Ян М. (октябрь 2021 г.). «Алгоритмы угнетения: как поисковые системы усиливают расизм Алгоритмы угнетения: как поисковые системы усиливают расизм Safiya Umoja Noble NYU Press, 2018. 256 стр.» . Наука . 374 (6567): 35–44. дои : 10.1177/2057047320950636 . ПМЦ   7441483 .
  115. ^ Jump up to: а б с Поуке М., Хаккиля Дж. (декабрь 2013 г.). «Мониторинг здравоохранения пожилых людей с использованием виртуальной 3D-среды на основе аватаров» . Международный журнал экологических исследований и общественного здравоохранения . 10 (12): 7283–7298. дои : 10.3390/ijerph10127283 . ПМЦ   3881167 . ПМИД   24351747 . S2CID   18535954 .
  116. ^ Jump up to: а б с д и Ферранте FE (июнь 2005 г.). «Развитие телемедицины/технологий электронного здравоохранения». Телемедицинский журнал и электронное здравоохранение . 11 (3): 370–383. дои : 10.1089/tmj.2005.11.370 . ПМИД   16035932 .
  117. ^ Гарза-Галисия, М., Соса, М., Лоу, Р., и Симини, Ф. (2017). Преподавание программы клинического ментального ортеза: опыт работы со студентами-медиками в Уругвае. Труды Национального конгресса биомедицинской инженерии, 4 (1), 91–94. Получено с сайта: http://memorias.somib.org.mx/index.php/memorias/article/view/221. Архивировано 13 августа 2021 г. в Wayback Machine.
  118. ^ Jump up to: а б с д Медрано И.Х., Гихарро Х.Т., Бельда С., Уренья А., Сальседо И., Анке Л.Е. и др. (2018). «Савана: повторное использование электронных медицинских карт с помощью искусственного интеллекта» . Международный журнал интерактивных мультимедиа и искусственного интеллекта . 4 (7): 8–12. дои : 10.9781/ijimai.2017.03.001 . ISSN   1989-1660 .
  119. ^ Jump up to: а б с Эрен А., Субаси А., Джошкун О. (февраль 2008 г.). «Система поддержки принятия решений для телемедицины через платформу мобильной связи». Журнал медицинских систем . 32 (1): 31–35. дои : 10.1007/s10916-007-9104-x . ПМИД   18333403 . S2CID   11082133 .
  120. ^ Беннетт CC, Дуб Т.В., Селове Р. (апрель 2012 г.). «EHR соединяют исследования и практику: где пересекаются прогнозное моделирование, искусственный интеллект и поддержка клинических решений». Политика и технологии здравоохранения . 1 (2): 105–114. arXiv : 1204.4927 . дои : 10.1016/j.hlpt.2012.03.001 . ISSN   2211-8837 . S2CID   25022446 .
  121. ^ Jump up to: а б Бухареян Б, Диас А, Чицаз Х (2016). «Улучшение извлечения информации о взаимодействии лекарственных средств из литературы с использованием нейтральных кандидатов, отрицания и зависимости предложений» . ПЛОС ОДИН . 11 (10): e0163480. Бибкод : 2016PLoSO..1163480B . дои : 10.1371/journal.pone.0163480 . ПМК   5047471 . ПМИД   27695078 .
  122. ^ Jump up to: а б с Цай Р., Лю М., Ху Ю., Мелтон Б.Л., Матени М.Э., Сюй Х. и др. (февраль 2017 г.). «Идентификация неблагоприятных лекарственных взаимодействий посредством выявления правил причинно-следственной связи на основе спонтанных сообщений о нежелательных явлениях» . Искусственный интеллект в медицине . 76 : 7–15. doi : 10.1016/j.artmed.2017.01.004 . ПМЦ   6438384 . ПМИД   28363289 .
  123. ^ Jump up to: а б Христопулу Ф., Тран Т., Саху С.К., Мива М., Ананиаду С. (январь 2020 г.). «Неблагоприятные события, связанные с приемом лекарств, и извлечение связей с лекарствами в электронных медицинских записях с помощью ансамблевых методов глубокого обучения» . Журнал Американской ассоциации медицинской информатики . 27 (1): 39–46. дои : 10.1093/jamia/ocz101 . ПМК   6913215 . ПМИД   31390003 .
  124. ^ Jump up to: а б Чжоу Д., Мяо Л., Хэ Ю (май 2018 г.). «Глубокое многозадачное обучение с учетом положения для определения взаимодействия лекарств» (PDF) . Искусственный интеллект в медицине . 87 : 1–8. doi : 10.1016/j.artmed.2018.03.001 . ПМИД   29559249 . S2CID   3951020 .
  125. ^ Гарсиа Х.С. (14 апреля 2013 г.). Оптимизация лечения мультипатологических пациентов в учреждениях первичной медико-санитарной помощи UCAMI HHUU Virgen del Rocio (Отчет). Севилья. Испания – из презентаций II Совещания плюрипатологических пациентов и пожилых людей. Архивировано.
  126. ^ Эрреро-Сасо М., Сегура-Бедмар И., Мартинес П., Деклерк Т. (октябрь 2013 г.). «Корпус DDI: аннотированный корпус фармакологических веществ и лекарственных взаимодействий» . Журнал биомедицинской информатики . 46 (5): 914–920. дои : 10.1016/j.jbi.2013.07.011 . HDL : 10016/20207 . ПМИД   23906817 .
  127. ^ Сегура Бедмар И., Мартинес П., Эрреро Сазо М. (июнь 2013 г.). Задача 9 «Семевал-2013»: Извлечение информации о лекарственном взаимодействии из биомедицинских текстов (ddiextraction 2013) . Вторая совместная конференция по лексической и вычислительной семантике. Том. 2. Ассоциация компьютерной лингвистики. стр. 341–350.
  128. ^ Сюй Б, Ши Х, Инь Ю, Чжао З, Чжэн В, Линь Х и др. (июль 2019 г.). «Включение пользовательского контента для извлечения информации о взаимодействии лекарств на основе механизма полного внимания». Транзакции IEEE по нанобионаукам . 18 (3): 360–367. дои : 10.1109/TNB.2019.2919188 . ПМИД   31144641 . S2CID   169038906 .
  129. ^ Jump up to: а б с д Цюань XI, Сандерсон Дж. (декабрь 2018 г.). «Понимание бизнес-экосистемы искусственного интеллекта» . Обзор инженерного менеджмента IEEE . 46 (4): 22–25. дои : 10.1109/EMR.2018.2882430 . ISSN   0360-8581 . S2CID   59525052 .
  130. ^ Тунг Л. (20 сентября 2016 г.). «Следующий крупный проект Microsoft в области искусственного интеллекта? Помогаем «решить» рак» . ЗДНЕТ . Проверено 28 января 2024 г.
  131. ^ Маккарти Дж. (31 мая 2016 г.). «Intel Capital инвестирует $10 млн в медицинский искусственный интеллект» . Новости ИТ в сфере здравоохранения . Проверено 28 января 2024 г.
  132. ^ Карпентер Дж. (07.04.2021). «Познакомьтесь с чат-ботами, которые однажды смогут управлять вашими деньгами» . Уолл Стрит Джорнал . ISSN   0099-9660 . Проверено 30 июня 2022 г.
  133. ^ Jump up to: а б Абу-Захра С., Брюэр Дж., Купер М. (23 апреля 2018 г.). «Искусственный интеллект (ИИ) для доступности Интернета». Материалы 15-й Международной конференции «Интернет для всех» . W4A '18. Лион, Франция: Ассоциация вычислительной техники. стр. 1–4. дои : 10.1145/3192714.3192834 . ISBN  978-1-4503-5651-0 . S2CID   49863409 .
  134. ^ Jump up to: а б Го Дж, Ли Б (01 августа 2018 г.). «Применение медицинских технологий искусственного интеллекта в сельских районах развивающихся стран» . Справедливость в отношении здоровья . 2 (1): 174–181. дои : 10.1089/heq.2018.0037 . ПМК   6110188 . ПМИД   30283865 .
  135. ^ Ван Колфшотен Х (01 февраля 2022 г.). «Регулирование ЕС в области искусственного интеллекта: проблемы прав пациентов» (PDF) . Обзор права общего рынка . 59 (1): 81–112. дои : 10.54648/COLA2022005 . ISSN   0165-0750 . S2CID   248591427 .
  136. ^ Коллинз Г.С., Мунс К.Г., Диман П., Райли Р.Д., Бим А.Л., Ван Калстер Б. и др. (апрель 2024 г.). «Заявление TRIPOD+AI: обновленное руководство по составлению отчетов о моделях клинического прогнозирования, использующих методы регрессии или машинного обучения» . БМЖ . 385 : e078378. дои : 10.1136/bmj-2023-078378 . ПМК   11019967 . ПМИД   38626948 .
  137. ^ Васи Б., Нагендран М., Кэмпбелл Б., Клифтон Д.А., Коллинз Г.С., Денаксас С. и др. (май 2022 г.). «Руководство по отчетности для ранней стадии клинической оценки систем поддержки принятия решений, управляемых искусственным интеллектом: DECIDE-AI» . БМЖ . 377 : e070904. дои : 10.1136/bmj-2022-070904 . ПМК   9116198 . PMID   35584845 .
  138. ^ Лю Х, Круз Ривера С., Мохер Д., Калверт М.Дж., Деннистон А.К. (сентябрь 2020 г.). «Руководство по составлению отчетов о клинических испытаниях вмешательств с использованием искусственного интеллекта: расширение CONSORT-AI» . Природная медицина . 26 (9): 1364–1374. дои : 10.1038/s41591-020-1034-x . ПМЦ   7598943 . ПМИД   32908283 .
  139. ^ Jump up to: а б с Лакасси Э., Марке П., Мартен-Дюпон С., Голье Ж.М., Лашатр Дж. (сентябрь 2000 г.). «Несмертельный случай отравления наперстянкой, документированный методами жидкостной хроматографии-электрораспыления-масс-спектрометрии». Журнал судебной медицины . 45 (5): 1154–1158. дои : 10.1520/JFS14845J . ПМИД   11005196 .
  140. ^ Де Анжелис Л., Багливо Ф., Арзилли Г., Привитера Г.П., Феррагина П., Тоцци А.Е. и др. (25 апреля 2023 г.). «ChatGPT и появление больших языковых моделей: новая информационная угроза, основанная на искусственном интеллекте, в общественном здравоохранении» . Границы общественного здравоохранения . 11 : 1166120. дои : 10.3389/fpubh.2023.1166120 . ПМЦ   10166793 . ПМИД   37181697 .
  141. ^ Офис комиссара (30 ноября 2022 г.). «О FDA» . FDA . Проверено 08 апреля 2023 г.
  142. ^ «Искусственный интеллект и машинное обучение в программном обеспечении как медицинском устройстве» . FDA . 20.10.2023.
  143. ^ «Стратегия HHS в области искусственного интеллекта (ИИ)» . www.hhs.gov . 2021-12-22 . Проверено 25 ноября 2023 г.
  144. ^ «Гражданские права поставщиков медицинских и социальных услуг» . hhs.gov . Управление по гражданским правам. 05.09.2015 . Проверено 17 декабря 2022 г.
  145. ^ «Cambridge Core — журналы и книги онлайн | Издательство Кембриджского университета» . Кембриджское ядро . Проверено 17 декабря 2022 г.
  146. ^ Jump up to: а б Форсье МБ, Галлуа Х, Муллан С, Жоли Ю (октябрь 2019 г.). «Интеграция искусственного интеллекта в здравоохранение посредством доступа к данным: может ли GDPR стать маяком для политиков?» . Журнал права и биологических наук . 6 (1): 317–335. дои : 10.1093/jlb/lsz013 . ПМК   6813940 . ПМИД   31666972 .
  147. ^ «Обмен и использование данных о состоянии здоровья для приложений ИИ» . hhs.gov .
  148. ^ Мудгал КС, Дас Н (01 ноября 2020 г.). «Этическое внедрение искусственного интеллекта в радиологии» . БЖР Опен . 2 (1): 20190020. doi : 10.1259/bjro.20190020 . ПМЦ   7605209 . ПМИД   33178959 .
  149. ^ Рэйни Л., Фанк С., Андерсон М., Тайсон А. (17 марта 2022 г.). «1. Как американцы думают об искусственном интеллекте» . Исследовательский центр Пью . Проверено 11 июня 2024 г.
  150. ^ Во В., Чен Г., Акино Ю.С., Картер С.М., До К.Н., Вуд М.Э. (декабрь 2023 г.). «Предпочтения многих заинтересованных сторон в отношении использования искусственного интеллекта в здравоохранении: систематический обзор и тематический анализ» . Социальные науки и медицина . 338 (1): 116357. doi : 10.1016/j.socscimed.2023.116357 . ПМИД   37949020 .
  151. ^ Jump up to: а б Давенпорт Т., Калакота Р. (июнь 2019 г.). «Потенциал искусственного интеллекта в здравоохранении» . Журнал будущего здравоохранения . 6 (2): 94–98. doi : 10.7861/futurehosp.6-2-94 . ПМК   6616181 . ПМИД   31363513 .
  152. ^ Сотрудники новостей США (20 сентября 2018 г.). «Искусственный интеллект продолжает менять здравоохранение». Новости США.
  153. ^ Сэвидж Н. (январь 2022 г.). «Роботы готовы выполнить задачу ухода за пожилыми людьми». Природа . 601 (7893): С8 – С10. Бибкод : 2022Natur.601S...8S . дои : 10.1038/d41586-022-00072-z . ПМИД   35046591 . S2CID   246064292 .
  154. ^ Jump up to: а б Барик-Паркер Дж., Андерсон Э.Э. (ноябрь 2020 г.). «Обмен данными пациентов для ИИ: этические проблемы, католические решения» . Ежеквартальный журнал Линакра . 87 (4): 471–481. дои : 10.1177/0024363920922690 . ПМЦ   7551527 . ПМИД   33100395 .
  155. ^ Манн С., Бердал Коннектикут, Бейкер Л., Гироси Ф. (октябрь 2022 г.). «Приложения искусственного интеллекта, используемые в клиническом ответе на COVID-19: обзорный обзор» . PLOS Цифровое здоровье . 1 (10): e0000132. дои : 10.2196/42936 . ПМЦ   11041459 . ПМИД   38875587 . S2CID   256681439 .
  156. ^ Jump up to: а б Нордлинг Л. (сентябрь 2019 г.). «Более справедливый путь развития искусственного интеллекта в здравоохранении» . Природа . 573 (7775): С103–С105. Бибкод : 2019Natur.573S.103N . дои : 10.1038/d41586-019-02872-2 . ПМИД   31554993 . S2CID   202749329 .
  157. ^ Редди С., Аллан С., Коглан С., Купер П. (март 2020 г.). «Модель управления применением ИИ в здравоохранении» . Журнал Американской ассоциации медицинской информатики . 27 (3): 491–497. дои : 10.1093/jamia/ocz192 . ПМЦ   7647243 . ПМИД   31682262 .
  158. ^ Памплан Л., Фечо М., Валь Н., Петерс Ф., Буксманн П. (октябрь 2021 г.). «Внедрение систем машинного обучения для медицинской диагностики в клиниках: качественное интервью» . Журнал медицинских интернет-исследований . 23 (10): e29301. дои : 10.2196/29301 . ПМЦ   8556641 . ПМИД   34652275 . S2CID   238990562 .
  159. ^ Эванс М., Мэтьюз А.В. (24 октября 2019 г.). «Исследователи обнаружили расовую предвзятость в больничном алгоритме» . Уолл Стрит Джорнал . ISSN   0099-9660 . Проверено 3 июня 2023 г.

Дальнейшее чтение

[ редактировать ]
Retrieved from "https://en.wikipedia.org/w/index.php?title=Artificial_intelligence_in_healthcare&oldid=1237775845"
Arc.Ask3.Ru: конец переведенного документа.
Arc.Ask3.Ru
Номер скриншота №: 5108797d542e304b614924563782ccca__1722416520
URL1:https://arc.ask3.ru/arc/aa/51/ca/5108797d542e304b614924563782ccca.html
Заголовок, (Title) документа по адресу, URL1:
Artificial intelligence in healthcare - Wikipedia
Данный printscreen веб страницы (снимок веб страницы, скриншот веб страницы), визуально-программная копия документа расположенного по адресу URL1 и сохраненная в файл, имеет: квалифицированную, усовершенствованную (подтверждены: метки времени, валидность сертификата), открепленную ЭЦП (приложена к данному файлу), что может быть использовано для подтверждения содержания и факта существования документа в этот момент времени. Права на данный скриншот принадлежат администрации Ask3.ru, использование в качестве доказательства только с письменного разрешения правообладателя скриншота. Администрация Ask3.ru не несет ответственности за информацию размещенную на данном скриншоте. Права на прочие зарегистрированные элементы любого права, изображенные на снимках принадлежат их владельцам. Качество перевода предоставляется как есть. Любые претензии, иски не могут быть предъявлены. Если вы не согласны с любым пунктом перечисленным выше, вы не можете использовать данный сайт и информация размещенную на нем (сайте/странице), немедленно покиньте данный сайт. В случае нарушения любого пункта перечисленного выше, штраф 55! (Пятьдесят пять факториал, Денежную единицу (имеющую самостоятельную стоимость) можете выбрать самостоятельно, выплаичвается товарами в течение 7 дней с момента нарушения.)