stringtranslate.com

Искусственный интеллект в здравоохранении

Рентген кисти руки с автоматическим расчетом костного возраста с помощью компьютерной программы

Искусственный интеллект в здравоохранении — это применение искусственного интеллекта (ИИ) для копирования или превышения человеческого познания в анализе, представлении и понимании сложных медицинских и медицинских данных. Он может дополнять и превосходить человеческие возможности, предоставляя лучшие способы диагностики, лечения или предотвращения заболеваний. [1] [2] Использование ИИ в здравоохранении имеет потенциал для улучшения прогнозирования, диагностики и лечения заболеваний. [3] Благодаря алгоритмам машинного обучения и глубокому обучению ИИ может анализировать большие наборы клинических данных и электронных медицинских карт , а также может помочь диагностировать заболевания быстрее и точнее. [3] Кроме того, ИИ становится все более актуальным для внедрения в отрасль культурно компетентных медицинских практик. [4]

Программы ИИ применяются в таких областях, как диагностика , [5] разработка протоколов лечения , [6] разработка лекарственных препаратов , [7] персонализированная медицина , [8] а также мониторинг и уход за пациентами. [9]

Поскольку рентгенография является наиболее распространенным методом визуализации, проводимым в отделениях радиологии, потенциал ИИ для помощи в сортировке и интерпретации рентгенограмм заслуживает особого внимания. [10]

Поскольку широкое использование ИИ в здравоохранении является относительно новым явлением, ведутся исследования его применения в различных разделах медицины и смежных отраслях.

Использование ИИ также вызывает беспрецедентные этические проблемы, связанные с такими вопросами, как конфиденциальность данных , автоматизация рабочих мест и усиление уже существующих предубеждений . [11] Кроме того, новые технологии, внедряемые ИИ в здравоохранение, часто встречают сопротивление со стороны руководителей здравоохранения, что приводит к медленному и неравномерному принятию. [12]

Применение в системах здравоохранения

Диагностика заболеваний

Точная и ранняя диагностика заболеваний по-прежнему остается проблемой в здравоохранении. Распознавание медицинских состояний и их симптомов является сложной проблемой. ИИ может помочь врачам с его возможностями обработки данных, чтобы сэкономить время и повысить точность. [13] Благодаря использованию машинного обучения искусственный интеллект может существенно помочь врачам в диагностике пациентов посредством анализа массовых электронных медицинских карт (ЭМК). [14] ИИ может помочь в раннем прогнозировании, например, болезни Альцгеймера и деменции , просматривая большое количество похожих случаев и возможных методов лечения. [15]

Принятие решений врачами также может поддерживаться ИИ в экстренных ситуациях, например, в отделении неотложной помощи . Здесь алгоритмы ИИ могут помочь расставить приоритеты в более серьезных случаях и сократить время ожидания. Системы поддержки принятия решений, дополненные ИИ, могут предлагать предложения в реальном времени и более быструю интерпретацию данных, чтобы помочь решениям, принимаемым специалистами здравоохранения. [13]

В 2023 году исследование показало более высокую степень удовлетворенности ответами, сгенерированными ChatGPT, по сравнению с ответами врачей на медицинские вопросы, размещенные на Reddit 's r/AskDocs. [16] Оценщики предпочли ответы ChatGPT ответам врачей в 78,6% из 585 оценок, отметив лучшее качество и эмпатию. Авторы отметили, что это были отдельные вопросы, а не в контексте устоявшихся отношений пациента и врача. [16]

Недавние разработки в области статистической физики , машинного обучения и алгоритмов вывода также изучаются на предмет их потенциала в улучшении подходов к медицинской диагностике. [17]

Электронные медицинские карты

Электронные медицинские записи (ЭЗЗ) имеют решающее значение для цифровизации и распространения информации в сфере здравоохранения. Теперь, когда около 80% медицинских практик используют ЭЗЗ, следующим шагом станет использование искусственного интеллекта для интерпретации записей и предоставления новой информации врачам. [18]

Одно приложение использует обработку естественного языка (NLP) для создания более кратких отчетов, которые ограничивают различия между медицинскими терминами путем сопоставления схожих медицинских терминов. [18] Например, термины «сердечный приступ» и «инфаркт миокарда» означают одно и то же, но врачи могут использовать один из них в зависимости от личных предпочтений. [18] Алгоритмы NLP объединяют эти различия, чтобы можно было анализировать более крупные наборы данных. [18] Другое использование NLP определяет фразы, которые являются избыточными из-за повторения в записях врача, и сохраняет соответствующую информацию, чтобы ее было легче читать. [18] Другие приложения используют обработку концепций для анализа информации, введенной врачом текущего пациента, чтобы представить схожие случаи и помочь врачу не забыть включить все соответствующие детали. [19]

Помимо внесения изменений в содержимое EHR, существуют алгоритмы ИИ, которые оценивают запись отдельного пациента и прогнозируют риск заболевания на основе его предыдущей информации и семейного анамнеза. [20] Один общий алгоритм представляет собой систему на основе правил, которая принимает решения аналогично тому, как люди используют блок-схемы. [21] Эта система принимает большие объемы данных и создает набор правил, которые связывают определенные наблюдения с заключенными диагнозами. [21] Таким образом, алгоритм может принимать данные нового пациента и пытаться предсказать вероятность того, что у него будет определенное состояние или заболевание. [21] Поскольку алгоритмы могут оценивать информацию о пациенте на основе коллективных данных, они могут находить любые нерешенные проблемы, чтобы довести их до сведения врача и сэкономить время. [20] Одно исследование, проведенное исследовательским институтом Centerstone, показало, что прогностическое моделирование данных EHR достигло точности 70–72% в прогнозировании индивидуального ответа на лечение. [22] Эти методы полезны, поскольку количество онлайн-медицинских записей удваивается каждые пять лет. [20] У врачей нет пропускной способности для обработки всех этих данных вручную, а ИИ может использовать эти данные, чтобы помочь врачам в лечении пациентов. [20]

Взаимодействие с лекарственными средствами

Улучшения в обработке естественного языка привели к разработке алгоритмов для определения взаимодействия лекарств в медицинской литературе. [23] [24] [25] [26] Взаимодействие лекарств представляет угрозу для тех, кто принимает несколько лекарств одновременно, и опасность возрастает с количеством принимаемых лекарств. [27] 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. Усилия были объединены в 2013 году в DDIExtraction Challenge, в котором группа исследователей из Университета Карлоса III собрала корпус литературы по взаимодействию лекарств, чтобы сформировать стандартизированный тест для таких алгоритмов. [28] Участники были проверены на их способность точно определять из текста, какие препараты, как было показано, взаимодействуют и каковы характеристики их взаимодействия. [29] Исследователи продолжают использовать этот корпус для стандартизации измерения эффективности своих алгоритмов. [23] [24] [26]

Другие алгоритмы идентифицируют лекарственные взаимодействия по шаблонам в пользовательском контенте , особенно в электронных медицинских картах и/или отчетах о неблагоприятных событиях. [24] [25] Такие организации, как Система отчетности о неблагоприятных событиях FDA (FAERS) и VigiBase Всемирной организации здравоохранения, позволяют врачам отправлять отчеты о возможных негативных реакциях на лекарства. Алгоритмы глубокого обучения были разработаны для анализа этих отчетов и обнаружения шаблонов, которые подразумевают лекарственные взаимодействия. [30]

Телемедицина

Пожилой мужчина использует пульсоксиметр для измерения уровня кислорода в крови.

Развитие телемедицины , лечения пациентов удаленно, показало рост возможных приложений ИИ. [31] ИИ может помочь в уходе за пациентами удаленно, отслеживая их информацию с помощью датчиков. [32] Носимое устройство может обеспечить постоянный мониторинг пациента и возможность замечать изменения, которые могут быть менее различимы для людей. 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. [32]

Другое применение искусственного интеллекта — терапия с использованием чат-ботов. Некоторые исследователи утверждают, что опора на чат-ботов в сфере психического здоровья не обеспечивает взаимности и ответственности за уход, которые должны существовать в отношениях между потребителем услуг психического здоровья и поставщиком услуг (будь то чат-бот или психолог). [33]

Поскольку средний возраст увеличился из-за увеличения продолжительности жизни, искусственный интеллект может быть полезен для ухода за пожилыми людьми. [34] Такие инструменты, как датчики окружающей среды и персональные датчики, могут определять обычные действия человека и предупреждать опекуна, если поведение или измеряемый показатель жизнедеятельности являются ненормальными. [34] Хотя эта технология полезна, также ведутся дискуссии об ограничениях мониторинга в целях уважения конфиденциальности человека, поскольку существуют технологии, которые предназначены для составления карты планировки дома и обнаружения взаимодействия людей. [34]

Управление рабочей нагрузкой

ИИ имеет потенциал для оптимизации координации ухода и снижения рабочей нагрузки. Алгоритмы ИИ могут автоматизировать административные задачи, расставлять приоритеты в отношении потребностей пациентов и способствовать бесперебойной коммуникации в команде здравоохранения. [35] Это позволяет поставщикам медицинских услуг больше сосредоточиться на непосредственном уходе за пациентами и обеспечивает эффективное и скоординированное предоставление медицинских услуг.

Клинические применения

Сердечно-сосудистые

Алгоритмы искусственного интеллекта показали многообещающие результаты в точной диагностике и стратификации риска у пациентов с подозрением на ишемическую болезнь сердца, показав потенциал в качестве первоначального инструмента сортировки. [36] [37] Другие алгоритмы использовались для прогнозирования смертности пациентов, эффектов лекарств и нежелательных явлений после лечения острого коронарного синдрома . [36] Носимые устройства, смартфоны и интернет-технологии также продемонстрировали способность отслеживать точки сердечных данных пациентов, расширяя объем данных и различные настройки, которые могут использовать модели ИИ, и потенциально позволяя более раннее обнаружение сердечных событий, происходящих за пределами больницы. [38] Еще одной растущей областью исследований является полезность ИИ в классификации сердечных звуков и диагностике клапанных заболеваний . [39] Проблемы ИИ в сердечно-сосудистой медицине включают ограниченные данные, доступные для обучения моделей машинного обучения, такие как ограниченные данные о социальных детерминантах здоровья , имеющих отношение к сердечно-сосудистым заболеваниям . [40]

Ключевым ограничением в ранних исследованиях, оценивающих ИИ, были пропуски данных, сравнивающих эффективность алгоритмов с людьми. Примерами исследований, которые оценивают эффективность ИИ по сравнению с врачами, являются то, что ИИ не уступает людям в интерпретации кардиоэхокардиограмм [41] и что ИИ может диагностировать сердечный приступ лучше, чем врачи-люди в условиях чрезвычайной ситуации, сокращая как малоценные тесты, так и пропущенные диагнозы. [42]

В сердечно-сосудистой тканевой инженерии и органоидных исследованиях ИИ все чаще используется для анализа микроскопических изображений и интеграции электрофизиологических показаний. [43]

Дерматология

Медицинская визуализация (например, рентген и фотография) является широко используемым инструментом в дерматологии [44] , и развитие глубокого обучения тесно связано с обработкой изображений . Таким образом, существует естественная связь между дерматологией и глубоким обучением. Машинное обучение имеет большой потенциал для обработки этих изображений для лучшей диагностики. [45] Хан и др. продемонстрировали обнаружение кератиноцитарного рака кожи по фотографиям лица. [46] Эстева и др. продемонстрировали классификацию рака кожи на уровне дерматолога по изображениям поражений. [47] Нойан и др. продемонстрировали сверточную нейронную сеть , которая достигла 94% точности при идентификации клеток кожи по микроскопическим изображениям мазков Цанка . [48] Проблема, поднятая в связи с этой работой, заключается в том, что она не затрагивала различия, связанные с цветом кожи или дифференциальным лечением пациентов с небелыми тонами кожи. [49]

По мнению некоторых исследователей, алгоритмы ИИ оказались более эффективными, чем дерматологи, при выявлении рака. [50] Однако в обзорной статье 2021 года было обнаружено, что большинство статей, анализирующих производительность алгоритмов ИИ, разработанных для классификации рака кожи, не использовали внешние тестовые наборы. [51] Было обнаружено только четыре исследования, в которых алгоритмы ИИ тестировались в клиниках, регионах или группах населения, отличных от тех, на которых они обучались, и в каждом из этих четырех исследований было обнаружено, что производительность дерматологов была на одном уровне с производительностью алгоритма. Более того, только одно исследование [52] было установлено в контексте полного клинического обследования; другие были основаны на взаимодействии через веб-приложения или онлайн-опросники, причем большинство из них полностью основывалось на контекстно-свободных изображениях поражений. В этом исследовании было обнаружено, что дерматологи значительно превзошли алгоритмы. Во многих статьях, утверждающих о превосходной производительности алгоритмов ИИ, также не проводится различие между стажерами и сертифицированными дерматологами в их анализе. [51]

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 внешнего вида с учетом возраста. [53] [54]

Гастроэнтерология

ИИ может играть роль в различных аспектах области гастроэнтерологии . Эндоскопические исследования, такие как эзофагогастродуоденоскопия (ЭГДС) и колоноскопия, основаны на быстром обнаружении аномальной ткани. Улучшая эти эндоскопические процедуры с помощью ИИ, врачи могут быстрее выявлять заболевания, определять их тяжесть и визуализировать слепые пятна. Ранние испытания с использованием систем обнаружения ИИ раннего рака желудка показали чувствительность, близкую к чувствительности опытных эндоскопистов. [55]

ИИ может помочь врачам, лечащим язвенный колит , в обнаружении микроскопической активности заболевания у людей и прогнозировании того, когда произойдут обострения. Например, был разработан инструмент на основе ИИ для анализа оцифрованных образцов кишечника ( биопсии ). Инструмент смог с точностью 80% отличить образцы, показывающие ремиссию колита, от образцов с активным заболеванием. Он также с такой же точностью предсказал риск возникновения обострения. Эти показатели успешного использования микроскопической активности заболевания для прогнозирования обострения заболевания аналогичны точности патологов . [56] [57]

Акушерство и гинекология

Искусственный интеллект использует огромные объемы данных для прогнозирования заболеваний, профилактики и диагностики, а также для мониторинга пациентов. В акушерстве искусственный интеллект используется в магнитно-резонансной томографии, УЗИ и кардиотокографии плода. ИИ вносит вклад в решение различных акушерских диагностических проблем. [58]

Инфекционные заболевания

ИИ продемонстрировал потенциал как в лабораторных, так и в клинических сферах медицины инфекционных заболеваний . [59] Во время пандемии COVID-19 ИИ использовался для раннего обнаружения, отслеживания распространения вируса и анализа поведения вируса, среди прочего. [60] Однако было всего несколько примеров непосредственного использования ИИ в клинической практике во время самой пандемии. [61]

Другие приложения ИИ вокруг инфекционных заболеваний включают опорные векторные машины , идентифицирующие устойчивость к противомикробным препаратам , машинное обучение анализа мазков крови для обнаружения малярии и улучшенное тестирование на месте оказания помощи на болезнь Лайма на основе обнаружения антигенов. Кроме того, ИИ исследовался для улучшения диагностики менингита , сепсиса и туберкулеза , а также для прогнозирования осложнений лечения у пациентов с гепатитом B и гепатитом C. [59]

Опорно-двигательный аппарат

ИИ использовался для выявления причин боли в колене, которые врачи упускают из виду и которые непропорционально влияют на чернокожих пациентов. [62] Недостаточно обеспеченные группы населения испытывают более высокий уровень боли. Эти различия сохраняются даже после учета объективной тяжести заболеваний, таких как остеоартрит, оцениваемой врачами-людьми с использованием медицинских изображений, что повышает вероятность того, что боль у недостаточно обеспеченных 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 рентгенологические показатели тяжести не учитывают объективные, но недиагностированные признаки, которые непропорционально влияют на диагностику и лечение недостаточно обеспеченных групп населения с болью в колене. Они предположили, что новая алгоритмическая мера ALG-P может потенциально обеспечить расширенный доступ к лечению для недостаточно обеспеченных пациентов. [63]

Неврология

Использование технологий ИИ было изучено для использования в диагностике и прогнозировании болезни Альцгеймера (БА). Для диагностических целей были разработаны модели машинного обучения, которые полагаются на структурные входные данные МРТ. [64] Входные наборы данных для этих моделей берутся из баз данных, таких как Инициатива по нейровизуализации болезни Альцгеймера. [65] Исследователи разработали модели, которые полагаются на сверточные нейронные сети с целью повышения точности ранней диагностики. [66] Генеративно-состязательные сети являются формой глубокого обучения , которая также хорошо зарекомендовала себя при диагностике БА. [67] Также были предприняты попытки превратить модели машинного обучения в инструменты прогнозирования, которые могут предсказывать прогноз для пациентов с БА. Прогнозирование результатов лечения пациентов с помощью генеративных моделей было предложено исследователями в качестве средства синтеза обучающих и проверочных наборов. [68] Они предполагают, что сгенерированные прогнозы для пациентов могут использоваться для предоставления будущим моделям более крупных обучающих наборов данных, чем текущие базы данных с открытым доступом.

Онкология

ИИ исследовался для использования в диагностике рака , стратификации риска, молекулярной характеристике опухолей и открытии лекарств от рака. Особой проблемой в онкологической помощи, для решения которой разрабатывается ИИ, является способность точно предсказывать, какие протоколы лечения лучше всего подойдут каждому пациенту на основе его индивидуальных генетических, молекулярных и опухолевых характеристик. [69] ИИ был опробован в диагностике рака с чтением исследований визуализации и слайдов патологии . [70]

В январе 2020 года Google DeepMind анонсировала алгоритм, способный превзойти экспертов-людей в обнаружении рака груди при скрининговом сканировании. [71] [72] Ряд исследователей, включая Тревора Хасти , Джоэль Пино и Роберта Тибширани , опубликовали ответ, в котором утверждалось, что исследовательская публикация DeepMind в Nature не содержала ключевых деталей о методологии и коде, что «фактически подрывало ее научную ценность» и делало невозможным для научного сообщества подтвердить работу. [73] В MIT Technology Review автор Бенджамин Хайбе-Кейнс охарактеризовал работу DeepMind как «рекламу», имеющую мало общего с наукой. [74]

В июле 2020 года было сообщено, что алгоритм ИИ, разработанный Питтсбургским университетом, достигает самой высокой на сегодняшний день точности в определении рака простаты с чувствительностью 98% и специфичностью 97%. [75] [76] В 2023 году исследование сообщило об использовании ИИ для классификации на основе радиомики на основе КТ при оценке агрессивности забрюшинной саркомы с точностью 82% по сравнению с 44% для лабораторного анализа биопсий. [77] [78]

Офтальмология

Технология на основе искусственного интеллекта используется в качестве вспомогательного средства при скрининге заболеваний глаз и профилактике слепоты. [79]  В 2018 году Управление по контролю за продуктами и лекарствами США разрешило продажу первого медицинского устройства для диагностики определенного типа заболевания глаз — диабетической ретинопатии — с использованием алгоритма искусственного интеллекта. [80] Более того, технология ИИ может быть использована для дальнейшего улучшения «показателей диагностики» из-за возможности сокращения времени обнаружения. [81]

Патология

Расчет окраски Ki67 с помощью программного обеспечения с открытым исходным кодом QuPath в чистой семиноме, который дает меру скорости пролиферации опухоли. Цвета представляют интенсивность экспрессии: синий — нет экспрессии, желтый — низкая, оранжевый — умеренная и красный — высокая экспрессия. [82]

Для многих заболеваний патологический анализ клеток и тканей считается золотым стандартом диагностики заболеваний. Методы цифровой патологии позволяют сканировать и анализировать микроскопические слайды в цифровом виде. Были разработаны инструменты патологии с использованием ИИ 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 результатов заболеваний. [55] ИИ хорошо подходит для использования в патологическом анализе низкой сложности крупномасштабных скрининговых образцов, таких как скрининг колоректального или молочной рака , тем самым уменьшая нагрузку на патологов и позволяя ускорить анализ образцов. [83] Несколько моделей глубокого обучения и искусственных нейронных сетей показали точность, аналогичную точности патологов-людей, [83] а исследование помощи глубокого обучения в диагностике метастатического рака молочной железы в лимфатических узлах показало, что точность людей с помощью программы глубокого обучения была выше, чем у людей в одиночку или у программы ИИ в одиночку. [84] Кроме того, внедрение цифровой патологии, как ожидается, сэкономит более 12 миллионов долларов для университетского центра в течение пяти лет, [85] хотя экономия, приписываемая конкретно ИИ, еще не была широко исследована. Использование дополненной и виртуальной реальности может оказаться ступенькой к более широкому внедрению патологии с помощью ИИ, поскольку они могут выделять проблемные области в образце патологии и представлять их в режиме реального времени патологу для более эффективного обзора. [83] ИИ также имеет потенциал для выявления гистологических результатов на уровнях, выходящих за рамки того, что может видеть человеческий глаз, [83] и продемонстрировал способность использовать генотипические и фенотипические данные для более точного определения происхождения опухоли при метастатическом раке. [86] Одним из основных текущих препятствий для широкого внедрения инструментов патологии с помощью ИИ является отсутствие перспективных, рандомизированных, многоцентровых контролируемых испытаний для определения истинной клинической полезности ИИ для патологов и пациентов, что подчеркивает текущую область потребности в исследованиях ИИ и здравоохранения. [83]

Первичная медицинская помощь

Первичная медицинская помощь стала одной из ключевых областей развития технологий ИИ. [87] [88] ИИ в первичной медицинской помощи использовался для поддержки принятия решений, прогнозного моделирования и бизнес-аналитики. [89] Существует лишь несколько примеров систем поддержки принятия решений на основе ИИ, которые были проспективно оценены на предмет клинической эффективности при использовании на практике врачами. Но есть случаи, когда использование этих систем дало положительный эффект на выбор лечения врачами. [90]

Психиатрия

В психиатрии приложения ИИ все еще находятся на этапе проверки концепции. [91] Области, где доказательства быстро расширяются, включают в себя предиктивное моделирование диагностики и результатов лечения, [92] чат-боты, разговорные агенты, которые имитируют человеческое поведение и которые изучались на предмет тревожности и депрессии. [93]

Проблемы включают тот факт, что многие приложения в этой области разрабатываются и предлагаются частными корпорациями, например, скрининг на суицидальные мысли, внедренный Facebook в 2017 году. [94] Такие приложения за пределами системы здравоохранения поднимают различные профессиональные, этические и нормативные вопросы. [95] Другая проблема часто связана с валидностью и интерпретируемостью моделей. Небольшие обучающие наборы данных содержат предвзятость, которая наследуется моделями, и ставят под угрозу обобщаемость и стабильность этих моделей. Такие модели также могут иметь потенциал быть дискриминационными по отношению к группам меньшинств, которые недостаточно представлены в выборках. [96]

В 2023 году базирующаяся в США Национальная ассоциация по борьбе с расстройствами пищевого поведения заменила свой персонал службы поддержки на чат-бота, но была вынуждена отключить его после того, как пользователи сообщили, что получают от него вредные советы. [97] [98] [99]

Радиология

ИИ изучается в области радиологии для обнаружения и диагностики заболеваний с помощью компьютерной томографии (КТ) и магнитно-резонансной томографии (МРТ). [100] Он может быть особенно полезен в условиях, когда спрос на человеческий опыт превышает предложение или когда данные слишком сложны для эффективной интерпретации людьми. [101] Несколько моделей глубокого обучения продемонстрировали способность быть примерно такими же точными, как специалисты в области здравоохранения, при выявлении заболеваний с помощью медицинской визуализации, хотя лишь немногие исследования, сообщающие об этих результатах, были подтверждены извне. [102] ИИ также может предоставлять рентгенологам неинтерпретативные преимущества, такие как снижение шума на изображениях, создание высококачественных изображений при более низких дозах радиации, повышение качества изображений МРТ [103] и автоматическая оценка качества изображений. [104] Дальнейшие исследования, изучающие использование ИИ в ядерной медицине, сосредоточены на реконструкции изображений, анатомической маркировке и обеспечении более низких доз в исследованиях визуализации. [105] Анализ изображений для контролируемых приложений ИИ в радиологии в настоящее время охватывает два основных метода: (1) анализ на основе сверточных нейронных сетей ; и (2) использование радиомики . [101]

Аптека

Искусственный интеллект в фармации — это применение искусственного интеллекта (ИИ) [106] [107] [108] для открытия, разработки и лечения пациентов с помощью лекарств . [109] ИИ в фармацевтической практике имеет потенциал для революции во всех аспектах фармацевтических исследований, а также для улучшения клинического применения фармацевтических препаратов для профилактики, лечения или излечения заболеваний. [110] ИИ, 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. [111] [112] [113]

Промышленность

Тенденция к слиянию крупных медицинских компаний обеспечивает большую доступность данных о здоровье. Большие данные о здоровье закладывают основу для внедрения алгоритмов ИИ.

Значительная часть отраслевого фокуса внедрения ИИ в секторе здравоохранения приходится на системы поддержки клинических решений . По мере сбора большего количества данных алгоритмы машинного обучения адаптируются и позволяют получать более надежные ответы и решения. [100] Многочисленные компании изучают возможности внедрения больших данных в отрасль здравоохранения. Многие компании исследуют рыночные возможности через сферы «технологий оценки, хранения, управления и анализа данных», которые являются важнейшими частями отрасли здравоохранения. [114]

Ниже приведены примеры крупных компаний, внесших вклад в разработку алгоритмов ИИ для использования в здравоохранении:

Илон Маск представляет хирургического робота, который имплантирует мозговой чип Neuralink

Приложения цифровых консультантов используют ИИ 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, принимая во внимание историю болезни пользователя. Предприниматели в сфере здравоохранения эффективно используют семь архетипов бизнес-моделей для вывода решения ИИ [ модное слово ] на рынок. Эти архетипы зависят от ценности, создаваемой для целевого пользователя (например, фокус на пациенте по сравнению с фокусом на поставщике медицинских услуг и плательщике) и механизмов получения ценности (например, предоставление информации или подключение заинтересованных сторон).

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

Индийский стартап Haptik недавно разработал чат-бот WhatsApp , который отвечает на вопросы, связанные со смертельным коронавирусом в Индии . Аналогичным образом, программная платформа ChatBot в партнерстве с medtech- стартапом Infermedica запустила чат-бот для оценки риска COVID-19 . [117]

Поскольку рынок ИИ постоянно расширяется, крупные технологические компании, такие как Apple, Google, Amazon и Baidu, имеют собственные исследовательские подразделения ИИ, а также миллионы долларов, выделенные на приобретение более мелких компаний, работающих на основе ИИ. [114] Многие производители автомобилей также начинают использовать машинное обучение в здравоохранении в своих автомобилях. [114] Такие компании, как BMW , GE , Tesla , Toyota и Volvo, проводят новые исследовательские кампании, чтобы найти способы изучения жизненно важных показателей водителя, чтобы убедиться, что он бодрствует, следит за дорогой и не находится под воздействием веществ. [114]

Распространение медицинской помощи на развивающиеся страны

Искусственный интеллект продолжает расширять свои возможности по точной диагностике большего количества людей в странах, где меньше врачей доступны для общественности. Многие новые технологические компании, такие как SpaceX и Raspberry Pi Foundation, позволили большему числу развивающихся стран получить доступ к компьютерам и Интернету, чем когда-либо прежде. [118] С ростом возможностей ИИ через Интернет, передовые алгоритмы машинного обучения могут позволить пациентам получать точную диагностику, когда ранее они не могли узнать, есть ли у них опасное для жизни заболевание или нет. [118]

Использование ИИ в развивающихся странах, не имеющих ресурсов, уменьшит необходимость в аутсорсинге и может улучшить уход за пациентами. ИИ может позволить не только диагностировать пациента в районах, где здравоохранение недоступно, но и обеспечить хороший опыт для пациента, предоставляя файлы для поиска наилучшего лечения для пациента. [119] Способность ИИ корректировать курс по ходу дела также позволяет пациенту изменять свое лечение на основе того, что подходит ему; уровень индивидуализированного ухода, который практически отсутствует в развивающихся странах. [119]

Регулирование

Хотя исследования по использованию ИИ в здравоохранении направлены на подтверждение его эффективности в улучшении результатов лечения пациентов перед его более широким внедрением, его использование может, тем не менее, представлять несколько новых типов риска для пациентов и поставщиков медицинских услуг, таких как алгоритмическая предвзятость , последствия « не реанимировать» и другие проблемы машинной морали . ИИ также может поставить под угрозу защиту прав пациентов, таких как право на информированное согласие и право на защиту медицинских данных. [120] Эти проблемы клинического использования ИИ привели к потенциальной необходимости в регулировании . Исследования ИИ должны быть полностью и прозрачно представлены, чтобы иметь ценность для информирования о регулирующем одобрении. В зависимости от фазы исследования были разработаны международные руководящие принципы отчетности на основе консенсуса (TRIPOD+AI, [121] DECIDE-AI, [122] CONSORT-AI [123] ), чтобы предоставить рекомендации 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 пациентов. К ним относятся такие политики, как Закон о переносимости и подотчетности медицинского страхования ( HIPAA ) и Европейский общий регламент по защите данных ( GDPR ). [124] GDPR относится к пациентам в ЕС и подробно описывает требования согласия на использование данных пациентов, когда субъекты собирают данные о состоянии здоровья пациентов. Аналогичным образом HIPAA защищает данные о состоянии здоровья из записей пациентов в Соединенных Штатах. [124] В мае 2016 года Белый дом объявил о своем плане 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 ею приоритеты для финансируемых из федерального бюджета исследований и разработок в области ИИ (в рамках правительства и академических кругов). В отчете отмечается, что стратегический план НИОКР для подотрасли информационных технологий в области здравоохранения находится на стадии разработки.

Существует опасение, что большие языковые модели могут перегружать людей как точной информацией о здоровье, так и дезинформацией, что приведет к потенциальным проблемам в общественном здравоохранении. Это требует разработки политики и руководства для пользователей, связанных с информацией о здоровье посредством ИИ. [125]

Организация Объединенных Наций (ВОЗ/МСЭ)

Совместная фокус-группа МСЭ - ВОЗ по искусственному интеллекту для здравоохранения (FG-AI4H) создала платформу, известную как ITU-WHO AI for Health Framework, для тестирования и сравнительного анализа приложений ИИ в сфере здравоохранения. По состоянию на ноябрь 2018 года проводится сравнительное тестирование восьми вариантов использования, включая оценку риска рака груди с помощью гистопатологических изображений, выбор противоядия на основе изображений змей и диагностику поражений кожи.

Управление по контролю за продуктами и лекарствами США

Управление по контролю за продуктами и лекарствами США [126]

В январе 2021 года FDA США опубликовало новый План действий под названием «План действий по программному обеспечению на основе искусственного интеллекта (ИИ)/машинного обучения (МО) в качестве медицинского устройства (SaMD)». [127] В этом плане изложены будущие планы FDA по регулированию медицинских устройств, в программное обеспечение которых будет включен искусственный интеллект. FDA планирует предпринять пять основных действий для усиления регулирования: 1. Специальная нормативная база для SaMD на основе ИИ/М, 2. Надлежащая практика машинного обучения (GMLP), 3. Подход, ориентированный на пациента, включающий прозрачность для пользователей, 4. Методы нормативной науки, связанные с смещением и надежностью алгоритмов, и 5. Эффективность в реальном мире (RWP). Этот план был прямым ответом на отзывы заинтересованных сторон по дискуссионному документу 2019 года, также опубликованному FDA.

По данным Министерства здравоохранения и социальных служб США, Управление по гражданским правам (OCR) выпустило руководство по этическому использованию ИИ в здравоохранении. В руководстве изложены 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. Благодеяние требует, чтобы ИИ использовался для добрых дел, например, для улучшения качества медицинской помощи и сокращения неравенства в сфере здравоохранения. Непричинение вреда требует, чтобы ИИ использовался для непричинения вреда, например, для избежания дискриминации при принятии решений. Наконец, справедливость требует, чтобы ИИ использовался справедливо, например, с использованием одинаковых стандартов для принятия решений независимо от расы, пола или уровня дохода человека. Более того, с марта 2021 года OCR нанял главного сотрудника по искусственному интеллекту (OCAIO) для продолжения «внедрения стратегии ИИ HHS». [128] OCR также выпустил правила и положения для защиты конфиденциальности информации о здоровье людей. Эти правила требуют от поставщиков медицинских услуг соблюдать определенные правила конфиденциальности при использовании ИИ. OCR также требует от поставщиков медицинских услуг вести учет того, как они используют ИИ, и обеспечивать безопасность своих систем ИИ. В целом, США предприняли шаги для защиты конфиденциальности отдельных лиц и этических вопросов, связанных с ИИ в здравоохранении [129]

США — не единственная страна, которая разрабатывает или инициирует правила конфиденциальности данных с ИИ. Другие страны внедрили правила защиты данных, в частности, в отношении вторжений в конфиденциальность компаний. В Дании Датская экспертная группа по этике данных приняла рекомендации «Данные на благо людей». Эти рекомендации направлены на поощрение ответственного использования данных в деловом секторе с акцентом на обработку данных. Рекомендации включают акцент на равенстве и недискриминации в отношении предвзятости в ИИ, а также на человеческом достоинстве. Подчеркивается важность человеческого достоинства, поскольку оно, как говорят, перевешивает прибыль и должно уважаться во всех процессах обработки данных [130]

Европейский союз внедрил Общий регламент по защите данных (GDPR) для защиты персональных данных граждан, который применяется к использованию ИИ в здравоохранении. Кроме того, Европейская комиссия установила руководящие принципы для обеспечения этической разработки ИИ, включая использование алгоритмов для обеспечения справедливости и прозрачности. [131] С принятием GDPR Европейский союз первым начал регулировать ИИ с помощью законодательства о защите данных. Союз считает конфиденциальность одним из основных прав человека и хочет предотвратить несогласованное и вторичное использование данных частными или государственными медицинскими учреждениями. Упрощая доступ к персональным данным для медицинских исследований и выводов, они могут заявить о праве и важности конфиденциальности пациентов. [131] В Соединенных Штатах Закон о переносимости и подотчетности медицинского страхования (HIPAA) требует от организаций защищать конфиденциальность и безопасность информации о пациентах. Центры услуг Medicare и Medicaid также выпустили руководящие принципы для разработки медицинских приложений на основе ИИ. [132]

Этические проблемы

Сбор данных

Для эффективного обучения машинного обучения и использования ИИ в здравоохранении необходимо собрать огромные объемы данных. Однако получение этих данных в большинстве случаев сопряжено с нарушением конфиденциальности пациентов и не пользуется популярностью у общественности. Например, опрос, проведенный в Великобритании, показал, что 63% населения не хотят делиться своими персональными данными в целях улучшения технологии искусственного интеллекта. [124] Нехватка реальных, доступных данных о пациентах является препятствием, сдерживающим прогресс в разработке и внедрении большего количества искусственного интеллекта в здравоохранении.

Кроме того, отсутствие действующих правил, касающихся ИИ в Соединенных Штатах, вызвало обеспокоенность по поводу ненадлежащего управления данными пациентов, например, когда корпорации используют данные пациентов для получения финансовой выгоды. Например, было обнаружено, что швейцарская медицинская компания Roche приобрела медицинские данные примерно для 2 миллионов онкологических больных на общую сумму 1,9 миллиарда долларов. [133] Естественно, это порождает вопросы этической обеспокоенности: существует ли денежная цена, которая может быть установлена ​​для данных, и должна ли она зависеть от их воспринимаемой ценности или вклада в науку? Справедливо ли по отношению к пациентам продавать свои данные? Эти опасения были рассмотрены в опросе, проведенном Исследовательским центром Pew в 2022 году, в котором американцев спрашивали об их мнении о возросшем присутствии ИИ в их повседневной жизни, и опрос показал, что 37% американцев были скорее обеспокоены, чем взволнованы таким возросшим присутствием, при этом 8% участников специально связывали свою обеспокоенность с «людьми, злоупотребляющими ИИ». [134] В конечном итоге, нынешний потенциал искусственного интеллекта в здравоохранении дополнительно сдерживается опасениями по поводу неправильного управления собранными данными, особенно в Соединенных Штатах.

Автоматизация

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 уход с использованием ИИ может быть чутким. [135]

Согласно исследованию 2019 года, ИИ может заменить до 35% рабочих мест в Великобритании в течение следующих 10–20 лет. [136] Однако из этих рабочих мест был сделан вывод, что ИИ пока не устранил ни одной работы в здравоохранении. Хотя если бы ИИ автоматизировал работу в сфере здравоохранения, наиболее подверженными автоматизации были бы работы, связанные с цифровой информацией, рентгенологией и патологией, в отличие от тех, которые связаны с взаимодействием врача и пациента. [136]

Автоматизация может принести пользу и врачам. Ожидается, что врачи, которые используют ИИ в здравоохранении, будут предоставлять более качественное здравоохранение, чем врачи и медицинские учреждения, которые этого не делают. [137] ИИ, скорее всего, не полностью заменит работников здравоохранения, но скорее предоставит им больше времени для ухода за пациентами. ИИ может предотвратить выгорание работников здравоохранения и когнитивную перегрузку.

В последнее время между экспертами в области здравоохранения было много дискуссий относительно ИИ и ухода за пожилыми людьми. Что касается ухода за пожилыми людьми, боты ИИ были полезны в руководстве пожилыми людьми, живущими в домах престарелых, развлекая их и создавая им компанию. Эти боты позволяют персоналу в доме проводить больше времени один на один с каждым жильцами, но боты также запрограммированы на большее количество возможностей в том, что они могут делать; например, знание разных языков и различных видов ухода в зависимости от состояния пациента. Бот является машиной ИИ, что означает, что он проходит такое же обучение, как и любая другая машина, — использует алгоритмы для анализа предоставленных данных, извлекает из них уроки и прогнозирует результат в зависимости от текущей ситуации [138]

Предвзятость

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 полного представления о том, как создаются или калибруются прогностические алгоритмы. Поэтому эти медицинские учреждения могут несправедливо кодировать свои алгоритмы, чтобы дискриминировать меньшинства и отдавать приоритет прибыли, а не предоставлению оптимальной помощи. [139] Недавний обзор области действия 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» . [140]

В этих алгоритмах также может быть непреднамеренная предвзятость, которая может усугубить социальное и медицинское неравенство. [139]  Поскольку решения ИИ являются прямым отражением его входных данных, получаемые им данные должны иметь точное представление демографических данных пациентов. Белые мужчины чрезмерно представлены в наборах медицинских данных. [141] Следовательно, 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 непреднамеренно худшему медицинскому результату для меньшинств. [142] Сбор данных из сообществ меньшинств также может привести к медицинской дискриминации. Например, ВИЧ является распространенным вирусом среди сообществ меньшинств, и статус ВИЧ может использоваться для дискриминации пациентов. [141] Помимо предвзятости, которая может возникнуть из-за отбора образцов, различные клинические системы, используемые для сбора данных, также могут влиять на функциональность ИИ. Например, рентгенографические системы и их результаты (например, разрешение) различаются в зависимости от поставщика. Более того, методы работы клиницистов, такие как позиционирование пациента для рентгенографии, также могут сильно влиять на данные и затруднять сопоставимость. [143] Однако эти предубеждения можно устранить посредством тщательного внедрения и методичного сбора репрезентативных данных.

Последний источник смещения, который называется «смещением выбора метки», возникает, когда для обучения алгоритмов используются косвенные меры, которые создают смещение против определенных групп. Например, широко используемый алгоритм предсказывал расходы на здравоохранение в качестве косвенных показателей потребностей в здравоохранении и использовал прогнозы для распределения ресурсов для помощи пациентам со сложными потребностями в области здравоохранения. Это вносило смещение, поскольку чернокожие пациенты несут более низкие расходы, даже если они так же нездоровы, как и белые пациенты. [144] Решения «смещения выбора метки» направлены на более близкое соответствие фактической цели (то, что предсказывает алгоритм) идеальной цели (то, что исследователи хотят, чтобы алгоритм предсказывал), поэтому для предыдущего примера вместо прогнозирования стоимости исследователи сосредоточились бы на переменной потребностей в здравоохранении, которая является довольно значимой. Корректировка цели привела к почти удвоению числа чернокожих пациентов, отобранных для программы.

История

Исследования 1960-х и 1970-х годов привели к созданию первой программы решения проблем, или экспертной системы , известной как Dendral . [145] [146] Хотя она была разработана для применения в органической химии, она послужила основой для последующей системы MYCIN , [147] считающейся одним из самых значительных ранних применений искусственного интеллекта в медицине. [147] [148] Однако MYCIN и другие системы, такие как INTERNIST-1 и CASNET, не получили повседневного использования среди практикующих врачей. [149]

1980-е и 1990-е годы принесли распространение микрокомпьютеров и новые уровни сетевых подключений. В это время исследователи и разработчики осознали, что системы ИИ в здравоохранении должны быть спроектированы так, чтобы компенсировать отсутствие идеальных данных и основываться на опыте врачей. [150] Подходы, включающие теорию нечетких множеств , [151] байесовские сети , [152] и искусственные нейронные сети , [153] [154] были применены к интеллектуальным вычислительным системам в здравоохранении.

Медицинские и технологические достижения, произошедшие за этот полувековой период, способствовали развитию приложений ИИ в сфере здравоохранения, в том числе:

Смотрите также

Ссылки

  1. ^ «Разработка часов старения с использованием глубокого обучения на изображениях сетчатки». ai.googleblog.com . 2023-04-11 . Получено 2023-06-01 .
  2. ^ Муллайнатан С., Обермейер З. (май 2022 г.). «Устранение узких мест в данных в медицине: Nightingale Open Science». Nature Medicine . 28 (5): 897–899. doi : 10.1038/s41591-022-01804-4 . PMID  35534570. S2CID  248668494.
  3. ^ ab Jimma BL (2023-01-16). «Искусственный интеллект в здравоохранении: библиометрический анализ». Telematics and Informatics Reports . 9 : 100041. doi : 10.1016/j.teler.2023.100041 .
  4. ^ Papadopoulos C, Castro N, Nigath A, Davidson R, Faulkes N, Menicatti R и др. (01.01.2022). «Рандомизированное контролируемое исследование CARESSES: исследование влияния на здоровье культурно компетентного искусственного интеллекта, встроенного в социально вспомогательные роботы и протестированного в домах престарелых». Международный журнал социальной робототехники . 14 (1): 245–256. doi :10.1007/s12369-021-00781-x. ISSN  1875-4805. PMC 8062829. PMID  33907589 . 
  5. ^ Ляхова У, Ляхов П (2024). «Систематический обзор подходов к выявлению и классификации рака кожи с использованием искусственного интеллекта: развитие и перспективы». Компьютеры в биологии и медицине . 178 : 108742. doi : 10.1016/j.compbiomed.2024.108742.
  6. ^ Sankar H, Alagarsamy R, Lal B, Rana SS, Roychoudhury A, Agrawal A и др. (2024). «Роль искусственного интеллекта в планировании лечения и прогнозировании результатов операций по коррекции челюсти с использованием трехмерной визуализации — систематический обзор». Oral Surgery, Oral Medicine, Oral Pathology and Oral Radiology . doi :10.1016/j.oooo.2024.09.010.
  7. ^ Qiu Y, Cheng F (2024). «Искусственный интеллект для открытия и разработки лекарств при болезни Альцгеймера». Current Opinion in Structural Biology . 85 : 102776. doi : 10.1016/j.sbi.2024.102776.
  8. ^ Ганем М., Гейт А.К., Байдон М. (2024), «Искусственный интеллект и персонализированная медицина: трансформация ухода за пациентами», Новая эра точной медицины , Elsevier, стр. 131–142, doi :10.1016/b978-0-443-13963-5.00012-1, ISBN 978-0-443-13963-5, получено 2024-10-10
  9. ^ Snider V, Homsi K, Kusnoto B, Atsawasuwan P, Viana G, Allareddy V и др. (2024). «Клиническая оценка технологии удаленного мониторинга на основе искусственного интеллекта для оценки гигиены полости рта пациента во время ортодонтического лечения». Американский журнал ортодонтии и дентофациальной ортопедии . 165 (5): 586–592. doi :10.1016/j.ajodo.2023.12.008.
  10. ^ Adams SJ, Henderson RD, Yi X, Babyn P (февраль 2021 г.). «Решения на основе искусственного интеллекта для анализа рентгеновских изображений». Журнал Канадской ассоциации рентгенологов . 72 (1): 60–72. doi : 10.1177/0846537120941671 . PMID  32757950. S2CID  221036912.
  11. ^ Флориди Л., Луэтге 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.
  12. ^ Петерссон Л., Ларссон И., Нюгрен Дж. М., Нильсен П., Неер М., Рид Дж. Э. и др. (Июль 2022 г.). «Проблемы внедрения искусственного интеллекта в здравоохранение: качественное интервью с руководителями здравоохранения в Швеции». BMC Health Services Research . 22 (1): 850. doi : 10.1186/s12913-022-08215-8 . PMC 9250210. PMID 35778736  . 
  13. ^ ab Alowais SA, Alghamdi SS, Alsuhebany N, Alqahtani T, Alshaya AI, Almohareb SN и др. (2023-09-22). «Революция в здравоохранении: роль искусственного интеллекта в клинической практике». BMC Medical Education . 23 (1): 689. doi : 10.1186/s12909-023-04698-z . ISSN  1472-6920. PMC 10517477. PMID 37740191  . 
  14. ^ Liang H, Tsui BY, Ni H, Valentim CC, Baxter SL, Liu G и др. (март 2019 г.). «Оценка и точная диагностика детских заболеваний с использованием искусственного интеллекта». Nature Medicine . 25 (3): 433–438. doi :10.1038/s41591-018-0335-9. PMID  30742121. S2CID  59945159.
  15. ^ Li Q, Yang X, Xu J, Guo Y, He X, Hu H и др. (август 2023 г.). «Раннее прогнозирование болезни Альцгеймера и связанных с ней деменций с использованием реальных электронных медицинских записей». Alzheimer's & Dementia . 19 (8): 3506–3518. doi : 10.1002/alz.12967 . PMC 10976442 . PMID  36815661. S2CID  257101613. 
  16. ^ ab Ayers JW, Poliak A, Dredze M, et al. Сравнение ответов врачей и чат-ботов с искусственным интеллектом на вопросы пациентов, опубликованные на публичном форуме в социальных сетях. JAMA Intern Med. 2023;183(6):589-596. doi:10.1001/jamainternmed.2023.1838
  17. ^ Ramezanpour A, Beam AL, Chen JH, Mashaghi A (ноябрь 2020 г.). «Статистическая физика для медицинской диагностики: алгоритмы обучения, вывода и оптимизации». Диагностика . 10 (11): 972. doi : 10.3390/diagnostics10110972 . PMC 7699346. PMID  33228143 . 
  18. ^ abcde Ferrante FE (июнь 2005 г.). «Развитие технологий телемедицины/электронного здравоохранения». Telemedicine Journal and e-Health . 11 (3): 370–383. doi :10.1089/tmj.2005.11.370. PMID  16035932.
  19. ^ Гарза-Галисия, М., Соса, М., Лоу, Р., и Симини, Ф. (2017). Enseñanza de un Programa de Ortesis Mental Clínica: Experiencia con Estudiantes de Medicina en Uruguay. Memorias Del Congreso Nacional De Ingeniería Biomédica, 4 (1), 91–94. Получено с: http://memorias.somib.org.mx/index.php/memorias/article/view/221. Архивировано 13 августа 2021 г. в Wayback Machine.
  20. ^ abcd Medrano IH, Guijarro JT, Belda C, Ureña A, Salcedo I, Anke LE и др. (2018). «Savana: повторное использование электронных медицинских записей с искусственным интеллектом». Международный журнал интерактивных мультимедиа и искусственного интеллекта . 4 (7): 8–12. doi : 10.9781/ijimai.2017.03.001 . ISSN  1989-1660.
  21. ^ abc Eren A, Subasi A, Coskun O (февраль 2008 г.). «Система поддержки принятия решений для телемедицины через платформу мобильных телекоммуникаций». Журнал медицинских систем . 32 (1): 31–35. doi :10.1007/s10916-007-9104-x. PMID  18333403. S2CID  11082133.
  22. ^ Bennett CC, Doub TW, Selove R (апрель 2012 г.). «Электронные медицинские карты связывают исследования и практику: где пересекаются предиктивное моделирование, искусственный интеллект и поддержка принятия клинических решений». Health Policy and Technology . 1 (2): 105–114. arXiv : 1204.4927 . doi : 10.1016/j.hlpt.2012.03.001. ISSN  2211-8837. S2CID  25022446.
  23. ^ ab Bokharaeian B, Diaz A, Chitsaz H (2016). «Улучшение извлечения взаимодействия лекарств из литературы с использованием нейтральных кандидатов, отрицания и зависимости предложения». PLOS ONE . 11 (10): e0163480. Bibcode : 2016PLoSO..1163480B. doi : 10.1371 /journal.pone.0163480 . PMC 5047471. PMID  27695078. 
  24. ^ abc Cai R, Liu M, Hu Y, Melton BL, Matheny ME, Xu H и др. (февраль 2017 г.). «Идентификация неблагоприятных взаимодействий между препаратами посредством обнаружения правил причинно-следственной связи из сообщений о спонтанных неблагоприятных событиях». Искусственный интеллект в медицине . 76 : 7–15. doi : 10.1016/j.artmed.2017.01.004. PMC 6438384. PMID  28363289 . 
  25. ^ ab Christopoulou F, Tran TT, Sahu SK, Miwa M, Ananiadou S (январь 2020 г.). «Неблагоприятные события, связанные с приемом лекарств, и извлечение связей между приемом лекарств в электронных медицинских записях с помощью ансамблевых методов глубокого обучения». Журнал Американской ассоциации медицинской информатики . 27 (1): 39–46. doi : 10.1093/jamia/ocz101. PMC 6913215. PMID  31390003 . 
  26. ^ ab Zhou D, Miao L, He Y (май 2018 г.). «Глубокое многозадачное обучение с учетом положения для извлечения взаимодействия лекарств» (PDF) . Искусственный интеллект в медицине . 87 : 1–8. doi : 10.1016/j.artmed.2018.03.001. PMID  29559249. S2CID  3951020.
  27. ^ Гарсиа Дж.С. (14 апреля 2013 г.). Оптимизация лечения множественных заболеваний при первичном внимании UCAMI HHUU Virgen del Rocio (Отчет). Севилья. Испания - через ponencias de la II Reunión de Paciente Pluripatológico y Edad Avanzada. Архивировано.
  28. ^ Herrero-Zazo M, Segura-Bedmar I, Martínez P, Declerck T (октябрь 2013 г.). «Корпус DDI: аннотированный корпус с фармакологическими веществами и взаимодействиями между лекарственными средствами». Журнал биомедицинской информатики . 46 (5): 914–920. doi : 10.1016/j.jbi.2013.07.011 . hdl : 10016/20207 . PMID  23906817.
  29. ^ Сегура Бедмар И, Мартинес П, Эрреро Зазо М (июнь 2013 г.). Задача 9 Semeval-2013: Извлечение взаимодействий лекарств из биомедицинских текстов (ddiextraction 2013) . Вторая совместная конференция по лексической и вычислительной семантике. Том 2. Ассоциация вычислительной лингвистики. С. 341–350.
  30. ^ Xu B, Shi X, Yin Y, Zhao Z, Zheng W, Lin H и др. (Июль 2019 г.). «Включение пользовательского контента для извлечения взаимодействия лекарств на основе механизма полного внимания». IEEE Transactions on NanoBioscience . 18 (3): 360–367. doi :10.1109/TNB.2019.2919188. PMID  31144641. S2CID  169038906.
  31. ^ Hamet P, Tremblay J (апрель 2017 г.). «Искусственный интеллект в медицине». Метаболизм . Взгляд в будущее медицины: технологии, концепции и интеграция. 69S : S36–S40. doi : 10.1016/j.metabol.2017.01.011. PMID  28126242.
  32. ^ ab Пивоваров Р., Элхадад Н. (сентябрь 2015 г.). «Автоматизированные методы резюмирования электронных медицинских записей». Журнал Американской ассоциации медицинской информатики . 22 (5): 938–947. doi :10.1093/jamia/ocv032. PMC 4986665. PMID 25882031.  S2CID 1452  . 
  33. ^ Yang M (октябрь 2021 г.). «Алгоритмы угнетения: как поисковые системы усиливают расизмАлгоритмы угнетения: как поисковые системы усиливают расизмSafiya Umoja Noble NYU Press, 2018. 256 стр.». Science . 374 (6567): 35–44. doi :10.1177/2057047320950636. PMC 7441483 . 
  34. ^ abc Pouke M, Häkkilä J (декабрь 2013 г.). «Мониторинг состояния здоровья пожилых людей с использованием трехмерной виртуальной среды на основе аватара». Международный журнал исследований окружающей среды и общественного здравоохранения . 10 (12): 7283–7298. doi : 10.3390/ijerph10127283 . PMC 3881167. PMID  24351747. S2CID  18535954. 
  35. ^ Стоукс Ф., Палмер А. (октябрь 2020 г.). «Искусственный интеллект и робототехника в сестринском деле: этика ухода как руководство по разделению задач между ИИ и людьми». Философия сестринского дела . 21 (4). doi :10.1111/nup.12306. ISSN  1466-7681.
  36. ^ ab Wang H, Zu Q, Chen J, Yang Z, Ahmed MA (октябрь 2021 г.). «Применение искусственного интеллекта при остром коронарном синдроме: краткий обзор литературы». Advances in Therapy . 38 (10): 5078–5086. doi :10.1007/s12325-021-01908-2. PMID  34528221. S2CID  237522871.
  37. ^ Infante T, Cavaliere C, Punzo B, Grimaldi V, Salvatore M, Napoli C (декабрь 2021 г.). «Подходы радиогеномики и искусственного интеллекта, применяемые к компьютерной томографической ангиографии сердца и магнитному резонансу сердца для точной медицины при ишемической болезни сердца: систематический обзор». Circulation. Cardiovascular Imaging . 14 (12): 1133–1146. doi : 10.1161/CIRCIMAGING.121.013025 . PMID  34915726. S2CID  245284764.
  38. ^ Сотиракос С., Фуда Б., Мохамед Разиф НА., Криббен Н., Малхолл С., О'Бирн А. и др. (февраль 2022 г.). «Использование искусственного интеллекта в сердечной реабилитации, систематический обзор». Future Cardiology . 18 (2): 154–164. doi :10.2217/fca-2021-0010. PMID  33860679. S2CID  233258636.
  39. ^ Chen W, Sun Q, Chen X, Xie G, Wu H, Xu C (май 2021 г.). «Методы глубокого обучения для классификации звуков сердца: систематический обзор». Entropy . 23 (6): 667. Bibcode :2021Entrp..23..667C. doi : 10.3390/e23060667 . PMC 8229456 . PMID  34073201. 
  40. ^ Zhao Y, Wood EP, Mirin N, Cook SH, Chunara R (октябрь 2021 г.). «Социальные детерминанты в моделях машинного обучения для прогнозирования сердечно-сосудистых заболеваний: систематический обзор». Американский журнал профилактической медицины . 61 (4): 596–605. doi : 10.1016/j.amepre.2021.04.016 . PMID  34544559.
  41. ^ He B, Kwan AC, Cho JH, Yuan N, Pollick C, Shiota T и др. (апрель 2023 г.). «Слепое рандомизированное исследование оценки сердечной функции с помощью сонографиста и искусственного интеллекта». Nature . 616 (7957): 520–524. Bibcode :2023Natur.616..520H. doi :10.1038/s41586-023-05947-3. PMC 10115627 . PMID  37020027. 
  42. ^ Муллайнатан С., Обермейер З. (2022). «Диагностика врачебных ошибок: подход машинного обучения к малоценной медицинской помощи». Ежеквартальный журнал экономики . 137 (2): 679–727. doi :10.1093/qje/qjab046 – через Oxford Academic.
  43. ^ Bax M, Thorpe J, Romanov V (декабрь 2023 г.). «Будущее персонализированной сердечно-сосудистой медицины требует 3D- и 4D-печати, стволовых клеток и искусственного интеллекта». Frontiers in Sensors . 4. doi : 10.3389/fsens.2023.1294721 . ISSN  2673-5067.
  44. ^ Hibler BP, Qi Q, Rossi AM (март 2016 г.). «Современное состояние визуализации в дерматологии». Семинары по кожной медицине и хирургии . 35 (1): 2–8. doi : 10.12788/j.sder.2016.001 . PMID  26963110.
  45. ^ Чан С., Редди В., Майерс Б., Тибодо К., Браунстоун Н., Ляо В. (июнь 2020 г.). «Машинное обучение в дерматологии: современные приложения, возможности и ограничения». Дерматология и терапия . 10 (3): 365–386. doi :10.1007/s13555-020-00372-0. PMC 7211783. PMID  32253623 . 
  46. ^ Han SS, Moon IJ, Lim W, Suh IS, Lee SY, Na JI и др. (январь 2020 г.). «Обнаружение кератиноцитарного рака кожи на лице с использованием сверточной нейронной сети на основе регионов». JAMA Dermatology . 156 (1): 29–37. doi :10.1001/jamadermatol.2019.3807. PMC 6902187. PMID  31799995 . 
  47. ^ Esteva A, Kuprel B, Novoa RA, Ko J, Swetter SM, Blau HM и др. (февраль 2017 г.). «Классификация рака кожи на уровне дерматолога с использованием глубоких нейронных сетей». Nature . 542 (7639): 115–118. Bibcode :2017Natur.542..115E. doi :10.1038/nature21056. PMC 8382232 . PMID  28117445. S2CID  3767412. 
  48. ^ Noyan MA, Durdu M, Eskiocak AH (октябрь 2020 г.). «TzanckNet: сверточная нейронная сеть для идентификации клеток в цитологии эрозивно-везикулобуллезных заболеваний». Scientific Reports . 10 (1): 18314. doi : 10.1038/s41598-020-75546-z . PMC 7591506. PMID  33110197 . 
  49. ^ Адамсон AS, Смит A (ноябрь 2018 г.). «Машинное обучение и различия в здравоохранении в дерматологии». JAMA Dermatology . 154 (11): 1247–1248. doi :10.1001/jamadermatol.2018.2348. PMID  30073260. S2CID  51907489.
  50. ^ «Компьютер научился определять рак кожи точнее, чем врачи». The Guardian . 29 мая 2018 г.
  51. ^ ab Haggenmüller S, Maron RC, Hekler A, Utikal JS, Barata C, Barnhill RL и др. (октябрь 2021 г.). «Классификация рака кожи с помощью сверточных нейронных сетей: систематический обзор исследований с участием экспертов-людей». European Journal of Cancer . 156 : 202–216. doi : 10.1016/j.ejca.2021.06.049 . PMID  34509059.
  52. ^ Han SS, Moon IJ, Kim SH, Na JI, Kim MS, Park GH и др. (Ноябрь 2020 г.). «Оценка глубоких нейронных сетей для диагностики доброкачественных и злокачественных новообразований кожи в сравнении с дерматологами: ретроспективное валидационное исследование». PLOS Medicine . 17 (11): e1003381. doi : 10.1371 /journal.pmed.1003381 . PMC 7688128. PMID  33237903. 
  53. ^ Patcas R, Bernini DA, Volokitin A, Agustsson E, Rothe R, Timofte R (январь 2019 г.). «Применение искусственного интеллекта для оценки влияния ортогнатического лечения на привлекательность лица и предполагаемый возраст». International Journal of Oral and Maxillofacial Surgery . 48 (1): 77–83. doi : 10.1016/j.ijom.2018.07.010 . PMID  30087062.
  54. ^ Patcas R, Timofte R, Volokitin A, Agustsson E, Eliades T, Eichenberger M и др. (август 2019 г.). «Привлекательность лица пациентов с расщелиной: прямое сравнение оценок на основе искусственного интеллекта и групп обычных оценщиков». European Journal of Orthodontics . 41 (4): 428–433. doi : 10.1093/ejo/cjz007. hdl : 20.500.11850/377316 . PMID  30788496. S2CID  73507799.
  55. ^ ab Cao JS, Lu ZY, Chen MY, Zhang B, Juengpanich S, Hu JH и др. (апрель 2021 г.). «Искусственный интеллект в гастроэнтерологии и гепатологии: состояние и проблемы». World Journal of Gastroenterology . 27 (16): 1664–1690. doi : 10.3748/wjg.v27.i16.1664 . PMC 8072192 . PMID  33967550. 
  56. ^ «Искусственный интеллект: 10 перспективных вмешательств в здравоохранение». Данные NIHR . Национальный институт исследований в области здравоохранения и ухода. 28 июля 2023 г. doi :10.3310/nihrevidence_59502.
  57. ^ Iacucci M, Parigi TL, Del Amor R, Meseguer P, Mandelli G, Bozzola A и др. (2023-03-06). «Искусственный интеллект позволил гистологически прогнозировать ремиссию или активность и клинические исходы язвенного колита». Гастроэнтерология . 164 (7): 1180–1188.e2. doi :10.1053/j.gastro.2023.02.031. hdl : 2434/962515 . PMID  36871598.
  58. ^ Kim HY, Cho GJ, Kwon HS (январь 2023 г.). «Применение искусственного интеллекта в акушерстве». Ультрасонография . 42 (1): 2–9. doi :10.14366/usg.22063. PMC 9816710. PMID  36588179 . 
  59. ^ ab Tran NK, Albahra S, May L, Waldman S, Crabtree S, Bainbridge S, et al. (декабрь 2021 г.). «Развивающиеся применения искусственного интеллекта и машинного обучения в тестировании инфекционных заболеваний». Клиническая химия . 68 (1): 125–133. doi :10.1093/clinchem/hvab239. PMC 9383167. PMID  34969102 . 
  60. ^ Фархат Ф, Сохаил СС, Алам МТ, Убайд С, Шакил, Ашхад М и др. (2023-11-08). «COVID-19 и далее: использование искусственного интеллекта для улучшенного контроля вспышек». Frontiers in Artificial Intelligence . 6. doi : 10.3389/frai.2023.1266560 . ISSN  2624-8212. PMC 10663297. PMID 38028660  . 
  61. ^ Mann S, Berdahl CT, Baker L, Girosi F (октябрь 2022 г.). Pani D (ред.). «Искусственные интеллектуальные приложения, используемые в клиническом ответе на COVID-19: обзор». PLOS Digital Health . 1 (10): e0000132. doi : 10.1371/journal.pdig.0000132 . PMC 9931281. PMID  36812557 . 
  62. ^ «ИИ может сделать здравоохранение более справедливым, помогая нам верить в то, что говорят пациенты». MIT Technology Review . Получено 2023-06-03 .
  63. ^ Пирсон Э., Катлер Д.М., Лесковец Дж., Муллайнатан С., Обермейер З. (январь 2021 г.). «Алгоритмический подход к сокращению необъяснимых различий в боли у недостаточно обслуживаемых групп населения». Nature Medicine . 27 (1): 136–140. doi :10.1038/s41591-020-01192-7. PMID  33442014. S2CID  256839494.
  64. ^ Ходжасте-Сарахси М, Хагиги СС, 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. PMID  35809971. S2CID  249633553.
  65. ^ «Об АДНИ». 2017 . Проверено 30 октября 2023 г.
  66. ^ Нгуен HD, Клеман M, Мансенкал B, Купе P (21 сентября 2021 г.). Глубокая оценка на основе коллективного искусственного интеллекта для диагностики и прогнозирования болезни Альцгеймера. Интерпретируемость машинного интеллекта в вычислениях медицинских изображений и топологическом анализе данных и его приложениях для медицинских данных. Springer, Cham. стр. 24–33. arXiv : 2211.15192 . doi :10.1007/978-3-030-87444-5_3.
  67. ^ Qu C, Zou Y, Ma Y, Chen Q, Luo J, Fan H и др. (21 апреля 2022 г.). «Диагностическая эффективность методов глубокого обучения на основе генеративно-состязательных сетей при болезни Альцгеймера: систематический обзор и метаанализ». Frontiers in Aging Neuroscience . 14 : 841696. doi : 10.3389/fnagi.2022.841696 . PMC 9068970. PMID  35527734. 
  68. ^ Фишер CK, Смит AM, Уолш JR (сентябрь 2019 г.). «Машинное обучение для комплексного прогнозирования прогрессирования болезни Альцгеймера». Scientific Reports . 9 (1): 13622. arXiv : 1807.03876 . Bibcode :2019NatSR...913622F. doi :10.1038/s41598-019-49656-2. PMC 6754403 . PMID  31541187. 
  69. ^ Bhinder B, Gilvary C, Madhukar NS, Elemento O (апрель 2021 г.). «Искусственный интеллект в исследованиях рака и точной медицине». Cancer Discovery . 11 (4): 900–915. doi :10.1158/ 2159-8290.CD -21-0090. PMC 8034385. PMID  33811123. 
  70. ^ Маджумдер А., Сен Д. (октябрь 2021 г.). «Искусственный интеллект в диагностике и терапии рака: современные перспективы». Indian Journal of Cancer . 58 (4): 481–492. doi : 10.4103/ijc.IJC_399_20 . PMID  34975094. S2CID  240522128.
  71. ^ Коби Н (1 января 2020 г.). «Новый ИИ DeepMind может обнаружить рак груди так же хорошо, как ваш врач». Wired . Получено 1 января 2020 г.
  72. ^ McKinney SM, Sieniek M, Godbole V, Godwin J, Antropova N, Ashrafian H и др. (январь 2020 г.). «Международная оценка системы ИИ для скрининга рака груди». Nature . 577 (7788): 89–94. Bibcode :2020Natur.577...89M. doi :10.1038/s41586-019-1799-6. hdl : 10044/1/76203 . PMID  31894144. S2CID  209523468.
  73. ^ McKinney SM, Sieniek M, Godbole V, Godwin J, Antropova N, Ashrafian H и др. (январь 2020 г.). «Международная оценка системы ИИ для скрининга рака груди». Nature . 577 (7788): 89–94. Bibcode :2020Natur.577...89M. doi :10.1038/s41586-019-1799-6. hdl : 10044/1/76203 . PMID  31894144.
  74. ^ Heaven WD (12 ноября 2020 г.). «ИИ борется с кризисом репликации». MIT Technology Review .
  75. ^ «Искусственный интеллект определяет рак простаты с почти идеальной точностью». EurekAlert! . 27 июля 2020 г. . Получено 29 июля 2020 г. .
  76. ^ Pantanowitz L, Quiroga-Garza GM, Bien L, Heled R, Laifenfeld D, Linhart C и др. (август 2020 г.). «Алгоритм искусственного интеллекта для диагностики рака простаты на изображениях цельных слайдов биопсий толстой иглы: слепое клиническое исследование валидации и внедрения». The Lancet. Цифровое здоровье . 2 (8): e407–e416. doi : 10.1016/S2589-7500(20)30159-X . PMID  33328045.
  77. ^ Артур А., Ортон М. Р., Эмсли Р., Вит С., Келли-Морланд К., Штраус Д. и др. (ноябрь 2023 г.). «Модель классификации радиомики на основе КТ для прогнозирования гистологического типа и степени злокачественности опухоли при ретроперитонеальной саркоме (RADSARC-R): ретроспективный мультикогортный анализ». The Lancet. Онкология . 24 (11): 1277–1286. doi :10.1016/S1470-2045(23)00462-X. PMC 10618402. PMID  37922931 . 
  78. ^ «Ученые в восторге от инструмента ИИ, который оценивает тяжесть редких видов рака». BBC News . 2023-11-01 . Получено 2023-11-12 .
  79. ^ Ravindran S (апрель 2019). «Как искусственный интеллект помогает предотвратить слепоту». Nature . doi :10.1038/d41586-019-01111-y. PMID  32269369. S2CID  146005413.
  80. ^ Офис комиссара (24.03.2020). «FDA разрешает маркетинг устройства на основе искусственного интеллекта для обнаружения некоторых проблем со зрением, связанных с диабетом». FDA . Получено 11.02.2023 .
  81. ^ Han JH (август 2022 г.). «Искусственный интеллект в лечении глазных заболеваний: последние разработки, приложения и исследования». Диагностика . 12 (8): 1927. doi : 10.3390/diagnostics12081927 . PMC 9406878. PMID  36010277 . 
  82. ^ Лоренсу BC, Гимарайнш-Тейшейра С, Флореш BC, Миранда-Гонсалвес 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. 
    - Рисунок 2 - доступно по лицензии: Creative Commons Attribution 4.0 International
  83. ^ abcde Фёрш С., Клаушен Ф., Хуфнагль П., Рот В. (март 2021 г.). «Искусственный интеллект в патологии». Deutsches Arzteblatt International . 118 (12): 194–204. doi : 10.3238/arztebl.m2021.0011. ПМЦ 8278129 . ПМИД  34024323. 
  84. ^ Steiner DF, MacDonald R, Liu Y, Truszkowski P, Hipp JD, Gammage C 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. doi :10.1097/PAS.0000000000001151. PMC 6257102. PMID  30312179 . 
  85. ^ Ho J, Ahlers SM, Stratman C, Aridor O, Pantanowitz L, Fine JL и др. (2014). «Может ли цифровая патология привести к экономии средств? Финансовый прогноз внедрения цифровой патологии в крупной интегрированной организации здравоохранения». Journal of Pathology Informatics . 5 (1): 33. doi : 10.4103/2153-3539.139714 . PMC 4168664. PMID  25250191 . 
  86. ^ Jurmeister P, Bockmayr M, Seegerer P, Bockmayr T, Treue D, Montavon G и др. (сентябрь 2019 г.). «Анализ профилей метилирования ДНК с помощью машинного обучения отличает первичные плоскоклеточные карциномы легких от метастазов в области головы и шеи». Science Translational Medicine . 11 (509): eaaw8513. doi : 10.1126/scitranslmed.aaw8513 . PMID  31511427. S2CID  202564269.
  87. ^ Mistry P (сентябрь 2019 г.). «Искусственный интеллект в первичной медицинской помощи». Британский журнал общей практики . 69 (686): 422–423. doi :10.3399/bjgp19X705137. PMC 6715470. PMID  31467001 . 
  88. ^ Blease C, Kaptchuk TJ, Bernstein MH, Mandl KD, Halamka JD, DesRoches CM (март 2019 г.). «Искусственный интеллект и будущее первичной медицинской помощи: качественное исследование взглядов врачей общей практики в Великобритании». Журнал медицинских интернет-исследований . 21 (3): e12802. doi : 10.2196/12802 . PMC 6446158. PMID  30892270. S2CID  59175658. 
  89. ^ Liyanage H, Liaw ST, Jonnagaddala J, Schreiber R, Kuziemsky C, Terry AL и др. (август 2019 г.). «Искусственный интеллект в первичной медико-санитарной помощи: восприятие, проблемы и вызовы». Ежегодник медицинской информатики . 28 (1): 41–46. doi :10.1055/s-0039-1677901. PMC 6697547. PMID  31022751 . 
  90. ^ Herter WE, Khuc J, Cinà G, Knottnerus BJ, Numans ME, Wiewel MA и др. (май 2022 г.). «Влияние системы поддержки принятия решений на основе машинного обучения на инфекции мочевыводящих путей: перспективное наблюдательное исследование в 36 учреждениях первичной медико-санитарной помощи». JMIR Medical Informatics . 10 (5): e27795. doi : 10.2196/27795 . PMC 9118012 . PMID  35507396. S2CID  246819392. 
  91. ^ Graham S, Depp C, Lee EE, Nebeker C, Tu X, Kim HC и др. (ноябрь 2019 г.). «Искусственный интеллект для психического здоровья и психических заболеваний: обзор». Current Psychiatry Reports . 21 (11): 116. doi :10.1007/s11920-019-1094-0. PMC 7274446. PMID  31701320 . 
  92. ^ Chekroud AM, Bondar J, Delgadillo J, Doherty G, Wasil A, Fokkema M и др. (июнь 2021 г.). «Перспективы машинного обучения в прогнозировании результатов лечения в психиатрии». World Psychiatry . 20 (2): 154–170. doi :10.1002/wps.20882. PMC 8129866. PMID 34002503  . 
  93. ^ Fulmer R, Joerin A, Gentile B, Lakerink L, Rauws M (декабрь 2018 г.). «Использование психологического искусственного интеллекта (Tess) для облегчения симптомов депрессии и тревоги: рандомизированное контролируемое исследование». JMIR Mental Health . 5 (4): e64. doi : 10.2196/mental.9782 . PMC 6315222 . PMID  30545815. 
  94. ^ Копперсмит Г., Лири Р., Кратчли П., Файн А. (январь 2018 г.). «Обработка естественного языка в социальных сетях как скрининг риска самоубийства». Biomedical Informatics Insights . 10 : 1178222618792860. doi : 10.1177/1178222618792860. PMC 6111391. PMID  30158822 . 
  95. ^ Brunn M, Diefenbacher A, Courtet P, Genieys W (август 2020 г.). «Будущее стучится: как искусственный интеллект фундаментально изменит психиатрию». Academic Psychiatry . 44 (4): 461–466. doi : 10.1007/s40596-020-01243-8 . PMID  32424706. S2CID  218682746.
  96. ^ Rutledge RB, Chekroud AM, Huys QJ (апрель 2019 г.). «Машинное обучение и большие данные в психиатрии: к клиническим приложениям». Current Opinion in Neurobiology . Machine Learning, Big Data, and Neuroscience. 55 : 152–159. doi :10.1016/j.conb.2019.02.006. PMID  30999271. S2CID  115202826.
  97. ^ Crimmins T (2023-05-30). «'Этот робот причиняет вред': новый чат-бот Национальной ассоциации расстройств пищевого поведения советует людям с расстройствами пищевого поведения сбросить вес». The Daily Dot . Получено 2023-06-02 .
  98. ↑ Knight T (31 мая 2023 г.). «Горячая линия по расстройствам пищевого поведения уволила ИИ за вредные советы после увольнения людей».
  99. ^ Аратани Л. (2023-05-31). «Американская служба помощи при расстройствах пищевого поведения уничтожила ИИ-чатбота из-за вредных советов». The Guardian . ISSN  0261-3077 . Получено 2023-06-01 .
  100. ^ abcd Писарчик АН, Максименко ВА, Храмов АЕ (октябрь 2019 г.). «От новых технологий к новым приложениям: комментарий к «Интегрированной платформе интерфейса мозг-машина с тысячами каналов» Илона Маска и Neuralink».  Журнал медицинских интернет-исследований . 21 (10): e16356. doi : 10.2196/16356 . PMC 6914250. PMID 31674923. S2CID  207818415. 
  101. ^ ab Hosny A, Parmar C, Quackenbush J, Schwartz LH, Aerts HJ (август 2018 г.). «Искусственный интеллект в радиологии». Nature Reviews. Cancer . 18 (8): 500–510. doi :10.1038/s41568-018-0016-5. PMC 6268174. PMID  29777175 . 
  102. ^ Liu X, Faes L, Kale AU, Wagner SK, Fu DJ, Bruynseels A и др. (октябрь 2019 г.). «Сравнение эффективности глубокого обучения с показателями специалистов здравоохранения при выявлении заболеваний с помощью медицинской визуализации: систематический обзор и метаанализ». The Lancet. Цифровое здравоохранение . 1 (6): e271–e297. doi : 10.1016/S2589-7500(19)30123-2 . PMID  33323251. S2CID  204037561.
  103. ^ Georgescu MI, Ionescu RT, Miron AI, Savencu O, Ristea NC, Verga N и др. (2023). Мультимодальное многоголовое сверточное внимание с различными размерами ядра для сверхвысокого разрешения медицинских изображений (отчет). Зимняя конференция IEEE/CVF по приложениям компьютерного зрения. стр. 2195–2205.
  104. ^ 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.
  105. ^ Seifert R, Weber M, Kocakavuk E, Rischpler C, Kersting D (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. PMID  33509373. S2CID  224863373.
  106. ^ Uzialko A (21 февраля 2023 г.). «Как искусственный интеллект преобразует бизнес». Business News Daily . Получено 2023-08-11 .
  107. ^ Гюлен К (6 сентября 2022 г.). «Развивающиеся технологии: искусственный интеллект формирует каждую отрасль». Dataconomy Media GmbH . Получено 11 августа 2023 г.
  108. ^ Frankenfield J (24 апреля 2023 г.). Scott G (ред.). «Искусственный интеллект: что это такое и как он используется». Investopedia . Получено 11 августа 2023 г.
  109. ^ Vora LK, Gholap AD, Jetha K, Thakur RR, Solanki HK, Chavda VP (июль 2023 г.). «Искусственный интеллект в фармацевтических технологиях и проектировании доставки лекарств». Pharmaceutics . 15 (7): 1916. doi : 10.3390/pharmaceutics15071916 . PMC 10385763 . PMID  37514102. 
  110. ^ Хан О, Парвез М, Кумари П, Парвез С, Ахмад С (июнь 2023 г.). «Будущее фармацевтики: как ИИ революционизирует отрасль». Intelligent Pharmacy . 1 (1): 32–40. doi : 10.1016/j.ipha.2023.04.008 . ISSN  2949-866X. S2CID  258625020.
  111. ^ Чаудхари С., Мутудосс П., Мадхесваран Т., Паудель А., Гайквад В. (2023). «Искусственный интеллект (ИИ) в проектировании, разработке и производстве лекарственных препаратов». Справочник по искусственному интеллекту в доставке лекарств. Elsevier. С. 395–442. doi :10.1016/b978-0-323-89925-3.00015-0. ISBN 978-0-323-89925-3. Получено 19 декабря 2023 г. .
  112. ^ "ИИ для фармацевта № 6. Определение потребностей в образовании в области ИИ в фармацевтических науках". www.linkedin.com . Получено 19 декабря 2023 г.
  113. ^ Vora LK, Gholap AD, Jetha K, Thakur RR, Solanki HK, Chavda VP (2023-07-10). «Искусственный интеллект в фармацевтической технологии и проектировании доставки лекарств». Pharmaceutics . 15 (7): 1916. doi : 10.3390/pharmaceutics15071916 . ISSN  1999-4923. PMC 10385763. PMID  37514102 . 
  114. ^ abcd Quan XI, Sanderson J (декабрь 2018 г.). «Понимание экосистемы бизнеса искусственного интеллекта». IEEE Engineering Management Review . 46 (4): 22–25. doi :10.1109/EMR.2018.2882430. ISSN  0360-8581. S2CID  59525052.
  115. ^ Tung L (20 сентября 2016 г.). «Следующий большой проект Microsoft в области искусственного интеллекта? Помощь в «решении» рака». ZDNET . Получено 28.01.2024 .
  116. ^ McCarthy J (2016-05-31). «Intel Capital инвестирует 10 миллионов долларов в медицинский искусственный интеллект». Новости ИТ-отрасли здравоохранения . Получено 28.01.2024 .
  117. ^ Карпентер Дж. (07.04.2021). «Познакомьтесь с чат-ботами, которые однажды смогут управлять вашими деньгами». Wall Street Journal . ISSN  0099-9660 . Получено 30.06.2022 .
  118. ^ ab Abou-Zahra S, Brewer J, Cooper M (2018-04-23). ​​«Искусственный интеллект (ИИ) для обеспечения доступности веб-сайтов». Труды 15-й Международной конференции «Веб для всех » . W4A '18. Лион, Франция: Ассоциация вычислительной техники. стр. 1–4. doi :10.1145/3192714.3192834. ISBN 978-1-4503-5651-0. S2CID  49863409.
  119. ^ ab Guo J, Li B (2018-08-01). «Применение медицинской технологии искусственного интеллекта в сельских районах развивающихся стран». Health Equity . 2 (1): 174–181. doi :10.1089/heq.2018.0037. PMC 6110188. PMID 30283865  . 
  120. ^ Van Kolfschooten H (2022-02-01). «Регулирование искусственного интеллекта в ЕС: проблемы прав пациентов» (PDF) . Common Market Law Review . 59 (1): 81–112. doi :10.54648/COLA2022005. ISSN  0165-0750. S2CID  248591427.
  121. ^ Collins GS, Moons KG, Dhiman P, Riley RD, Beam AL, Van Calster B и др. (апрель 2024 г.). «Заявление TRIPOD+AI: обновленное руководство по отчетности о клинических моделях прогнозирования, использующих методы регрессии или машинного обучения». BMJ . 385 : e078378. doi :10.1136/bmj-2023-078378. PMC 11019967 . PMID  38626948. 
  122. ^ Vasey B, Nagendran M, Campbell B, Clifton DA, Collins GS, Denaxas S и др. (май 2022 г.). «Руководство по отчетности для ранней клинической оценки систем поддержки принятия решений, управляемых искусственным интеллектом: DECIDE-AI». BMJ . 377 : e070904. doi :10.1136/bmj-2022-070904. PMC 9116198 . PMID  35584845. 
  123. ^ Лю X, Круз Ривера S, Мохер D, Калверт MJ, Деннистон AK (сентябрь 2020 г.). «Руководящие принципы отчетности для отчетов о клинических испытаниях вмешательств с участием искусственного интеллекта: расширение CONSORT-AI». Nature Medicine . 26 (9): 1364–1374. doi :10.1038/s41591-020-1034-x. PMC 7598943 . PMID  32908283. 
  124. ^ abc Lacassie E, Marquet P, Martin-Dupont S, Gaulier JM, Lachâtre G (сентябрь 2000 г.). «Несмертельный случай отравления наперстянкой, задокументированный с помощью жидкостной хроматографии-электроспрей-масс-спектрометрии». Журнал судебной экспертизы . 45 (5): 1154–1158. doi :10.1520/JFS14845J. PMID  11005196.
  125. ^ De Angelis L, Baglivo F, Arzilli G, Privitera GP, Ferragina P, Tozzi AE и др. (2023-04-25). «ChatGPT и рост больших языковых моделей: новая инфодемическая угроза в общественном здравоохранении, вызванная ИИ». Frontiers in Public Health . 11 : 1166120. doi : 10.3389/fpubh.2023.1166120 . PMC 10166793. PMID  37181697 . 
  126. ↑ Офис комиссара (2022-11-30). "О FDA". FDA . Получено 2023-04-08 .
  127. ^ «Искусственный интеллект и машинное обучение в программном обеспечении как медицинском устройстве». FDA . 2023-10-20.
  128. ^ "Стратегия искусственного интеллекта (ИИ) Министерства здравоохранения и социальных служб". www.hhs.gov . 2021-12-22 . Получено 2023-11-25 .
  129. ^ «Гражданские права поставщиков медицинских и социальных услуг». hhs.gov . Офис по гражданским правам. 2015-09-05 . Получено 2022-12-17 .
  130. ^ "Cambridge Core - Журналы и книги онлайн | Cambridge University Press". Cambridge Core . Получено 2022-12-17 .
  131. ^ ab Forcier MB, Gallois H, Mullan S, Joly Y (октябрь 2019 г.). «Интеграция искусственного интеллекта в здравоохранение посредством доступа к данным: может ли GDPR стать маяком для политиков?». Journal of Law and the Biosciences . 6 (1): 317–335. doi :10.1093/jlb/lsz013. PMC 6813940. PMID  31666972 . 
  132. ^ «Обмен и использование данных о состоянии здоровья для приложений ИИ». hhs.gov .
  133. ^ Mudgal KS, Das N (2020-11-01). «Этическое принятие искусственного интеллекта в радиологии». BJR Open . 2 (1): 20190020. doi :10.1259/bjro.20190020. PMC 7605209. PMID  33178959 . 
  134. ^ Rainie L, Funk C, Anderson M, Tyson A (2022-03-17). "1. Как американцы думают об искусственном интеллекте". Pew Research Center . Получено 2024-06-11 .
  135. ^ Vo V, Chen G, Aquino YS, Carter SM, Do QN, Woode ME (декабрь 2023 г.). «Предпочтения многих заинтересованных сторон при использовании искусственного интеллекта в здравоохранении: систематический обзор и тематический анализ». Социальные науки и медицина . 338 (1): 116357. doi : 10.1016/j.socscimed.2023.116357 . PMID  37949020.
  136. ^ ab Davenport T, Kalakota R (июнь 2019 г.). «Потенциал искусственного интеллекта в здравоохранении». Future Healthcare Journal . 6 (2): 94–98. doi :10.7861/futurehosp.6-2-94. PMC 6616181. PMID  31363513 . 
  137. ^ US News Staff (2018-09-20). «Искусственный интеллект продолжает менять здравоохранение». US News.
  138. ^ Savage N (январь 2022 г.). «Роботы поднимаются, чтобы справиться с проблемой ухода за пожилыми людьми». Nature . 601 (7893): S8–S10. Bibcode :2022Natur.601S...8S. doi :10.1038/d41586-022-00072-z. PMID  35046591. S2CID  246064292.
  139. ^ ab Baric-Parker J, Anderson EE (ноябрь 2020 г.). «Обмен данными пациентов для ИИ: этические проблемы, католические решения». The Linacre Quarterly . 87 (4): 471–481. doi :10.1177/0024363920922690. PMC 7551527. PMID  33100395 . 
  140. ^ Mann S, Berdahl CT, Baker L, Girosi F (октябрь 2022 г.). «Искусственные интеллектуальные приложения, используемые в клиническом ответе  на COVID-19: обзор». PLOS Digital Health . 1 (10): e0000132. doi : 10.2196/42936 . PMC 11041459. PMID 38875587. S2CID  256681439. 
  141. ^ ab Nordling L (сентябрь 2019 г.). «Более справедливый путь вперед для ИИ в здравоохранении». Nature . 573 (7775): S103–S105. Bibcode :2019Natur.573S.103N. doi : 10.1038/d41586-019-02872-2 . PMID  31554993. S2CID  202749329.
  142. ^ Reddy S, Allan S, Coghlan S, Cooper P (март 2020 г.). «Модель управления для применения ИИ в здравоохранении». Журнал Американской ассоциации медицинской информатики . 27 (3): 491–497. doi :10.1093/jamia/ocz192. PMC 7647243. PMID  31682262 . 
  143. ^ Pumplun L, Fecho M, Wahl N, Peters F, Buxmann P (октябрь 2021 г.). «Внедрение систем машинного обучения для медицинской диагностики в клиниках: качественное интервью-исследование».  Журнал медицинских интернет-исследований . 23 (10): e29301. doi : 10.2196/29301 . PMC 8556641. PMID 34652275. S2CID  238990562. 
  144. ^ Эванс М., Мэтьюз А. В. (24.10.2019). «Исследователи обнаружили расовую предвзятость в алгоритме больницы». Wall Street Journal . ISSN  0099-9660 . Получено 03.06.2023 .
  145. ^ Линдси РК, Бьюкенен Б.Г., Фейгенбаум Е.А., Ледерберг Дж. (1993). «DENDRAL: исследование первой экспертной системы для формирования научных гипотез». Искусственный интеллект . 61 (2): 209–261. doi :10.1016/0004-3702(93)90068-m. hdl : 2027.42/30758 .
  146. ^ Lea AS (2023). Оцифровка диагностики: медицина, разум и машины в Америке двадцатого века . Johns Hopkins University Press. С. 1–256. ISBN 978-1-4214-4681-3.
  147. ^ ab Clancey WJ, Shortliffe EH (1984). Чтения по медицинскому искусственному интеллекту: первое десятилетие . Addison-Wesley Longman Publishing Co., Inc.
  148. ^ Брюс Г., Бьюкенен Б. Г., Шортлифф Э. Д. (1984). Экспертные системы на основе правил: эксперименты MYCIN Стэнфордского проекта эвристического программирования .
  149. ^ Duda RO, Shortliffe EH (апрель 1983 г.). «Исследование экспертных систем». Science . 220 (4594): 261–268. Bibcode :1983Sci...220..261D. doi :10.1126/science.6340198. PMID  6340198.
  150. ^ Miller RA (1994). «Системы поддержки принятия медицинских диагностических решений — прошлое, настоящее и будущее: связанная библиография и краткий комментарий». Журнал Американской ассоциации медицинской информатики . 1 (1): 8–27. doi :10.1136/jamia.1994.95236141. PMC 116181. PMID  7719792 . 
  151. ^ Adlassnig KP (июль 1980). «Нечеткая логическая модель компьютерной медицинской диагностики». Методы информации в медицине . 19 (3): 141–148. doi :10.1055/s-0038-1636674. PMID  6997678.
  152. ^ Reggia JA, Peng Y (сентябрь 1987 г.). «Моделирование диагностических рассуждений: резюме теории экономного покрытия». Компьютерные методы и программы в биомедицине . 25 (2): 125–134. doi :10.1016/0169-2607(87)90048-4. PMC 2244953. PMID  3315427 . 
  153. ^ Baxt WG (декабрь 1991 г.). «Использование искусственной нейронной сети для диагностики инфаркта миокарда». Annals of Internal Medicine . 115 (11): 843–848. doi :10.7326/0003-4819-115-11-843. PMID  1952470.
  154. ^ Maclin PS, Dempsey J, Brooks J, Rand J (февраль 1991 г.). «Использование нейронных сетей для диагностики рака». Journal of Medical Systems . 15 (1): 11–19. doi :10.1007/bf00993877. PMID  1748845. S2CID  10189561.
  155. ^ Koomey J, Berard S, Sanchez M, Wong H (март 2010 г.). «Последствия исторических тенденций в электрической эффективности вычислений». IEEE Annals of the History of Computing . 33 (3): 46–54. CiteSeerX 10.1.1.323.9505 . doi :10.1109/MAHC.2010.28. S2CID  8305701. 
  156. ^ Барнс Б., Дюпре Дж. (2009). Геномы и что с ними делать . Издательство Чикагского университета. [ нужна страница ]
  157. ^ Jha AK, DesRoches CM, Campbell EG, Donelan K, Rao SR, Ferris TG и др. (апрель 2009 г.). «Использование электронных медицинских записей в больницах США». The New England Journal of Medicine . 360 (16): 1628–1638. doi : 10.1056/NEJMsa0900592 . PMID  19321858. S2CID  19914056.
  158. ^ Banko M, Brill E (июль 2001 г.). «Масштабирование до очень очень больших корпусов для устранения неоднозначности естественного языка» (PDF) . Труды 39-го ежегодного собрания Ассоциации компьютерной лингвистики . Ассоциация компьютерной лингвистики: 26–33. Архивировано из оригинала (PDF) 2019-04-07 . Получено 2019-04-07 .
  159. ^ Догерти Г. (2009). Цифровая обработка изображений для медицинских приложений . Cambridge University Press.
  160. ^ «Искусственный интеллект и машинное обучение для здравоохранения». Sigmoidal . 21 декабря 2017 г. Архивировано из оригинала 17 августа 2020 г. Получено 26 марта 2018 г.
  161. ^ Ху Л, Ли Л (декабрь 2022 г.). «Использование машинного обучения на основе деревьев для исследований в области здравоохранения: обзор литературы и серии случаев». Международный журнал исследований окружающей среды и общественного здравоохранения . 19 (23): 16080. doi : 10.3390/ijerph192316080 . PMC 9736500. PMID  36498153 . 

Дальнейшее чтение