Hranice v medicíně
On 30 října, 2021 by adminÚvod
Výraz „medicínská technologie“ je široce používán pro celou řadu nástrojů, které mohou zdravotníkům umožnit pacientům a společnosti zajistit lepší kvalitu života včasnou diagnostikou, snížením komplikací, optimalizací léčby a/nebo poskytnutím méně invazivních možností a zkrácením délky hospitalizace. Zatímco před nástupem mobilní éry byly zdravotnické technologie známé především jako klasické zdravotnické prostředky (např. protézy, stenty, implantáty), nástup chytrých telefonů, nositelných zařízení, senzorů a komunikačních systémů způsobil revoluci v medicíně díky možnosti obsahovat nástroje (např. aplikace) poháněné umělou inteligencí ve velmi malých rozměrech (1). Umělá inteligence způsobila revoluci v lékařských technologiích a lze ji běžně chápat jako část informatiky, která je schopna řešit složité problémy s mnoha aplikacemi v oblastech s obrovským množstvím dat, ale malým množstvím teorie (2).
Inteligentní lékařské technologie (tj, AI-powered) se setkaly s nadšením široké veřejnosti, částečně proto, že umožňují model medicíny 4P (prediktivní, preventivní, personalizovaný a participativní), a tedy autonomii pacienta, a to způsobem, který dosud nebyl možný (3); chytré telefony se například stávají předmětem, který slouží k vyplňování a distribuci elektronického osobního zdravotního záznamu (4), monitorování životních funkcí pomocí biosenzorů (5) a pomáhají dosahovat optimální terapeutické compliance (6), a tedy obdarovávají pacienta místem hlavního aktéra v cestě péče. Vývoj inteligentních lékařských technologií umožňuje rozvoj nového oboru v medicíně: rozšířené medicíny, tj. využití nových lékařských technologií ke zlepšení různých aspektů klinické praxe. Několik algoritmů založených na umělé inteligenci bylo v posledním desetiletí schváleno Úřadem pro kontrolu potravin a léčiv (FDA), a proto by mohly být implementovány. Rozšířenou medicínu umožňují nejen technologie založené na umělé inteligenci, ale také několik dalších digitálních nástrojů, jako jsou chirurgické navigační systémy pro počítačem asistovanou chirurgii (7), nástroje pro kontinuální virtuální realitu v chirurgii, léčbu bolesti a psychiatrických poruch (8-10).
Přestože se oblast rozšířené medicíny zřejmě setkává s úspěchem u pacientů, může se setkat s určitým odporem zdravotníků, zejména lékařů: ohledně tohoto jevu je třeba uvést čtyři široce diskutované důvody. Za prvé, nepřipravenost, pokud jde o potenciál digitální medicíny, je způsobena zjevným nedostatkem základního a průběžného vzdělávání týkajícího se tohoto oboru (11). Za druhé, počáteční digitalizace zdravotnických procesů, velmi odlišná od příslibu rozšířené medicíny, přišla s prudkým nárůstem administrativní zátěže spojené především s elektronickými zdravotními záznamy (12), která se stala známou jako jedna z hlavních složek vyhoření lékařů (13). Zatřetí rostou obavy, pokud jde o riziko, že umělá inteligence nahradí lékaře (14), ačkoli současný a v literatuře převládající názor je, že umělá inteligence bude v budoucnu doplňovat inteligenci lékařů (15, 16). Začtvrté, současná celosvětová neexistence právního rámce, který by definoval pojem odpovědnosti v případě přijetí nebo odmítnutí doporučení algoritmů, vystavuje lékaře možným právním důsledkům při používání UI (17).
Vzhledem k nedostatečnému vzdělání v oblasti digitální medicíny připravuje několik soukromých lékařských fakult své budoucí vedoucí pracovníky na výzvu rozšířené medicíny buď spojením lékařského kurikula s inženýrským kurikulem, nebo zavedením gramotnosti v oblasti digitálního zdraví a jeho používání do inovovaného kurikula (18).
Cílem tohoto článku je shrnout nejnovější vývoj umělé inteligence v medicíně, uvést hlavní případy použití, kdy lze lékařské technologie využívající umělou inteligenci již využívat v klinické praxi, a perspektivy výzev a rizik, kterým zdravotníci a instituce čelí při zavádění rozšířené medicíny, a to jak v klinické praxi, tak při vzdělávání budoucích vedoucích pracovníků v medicíně.
Současné aplikace umělé inteligence v medicíně
2.1. Využití umělé inteligence v medicíně v praxi Kardiologie
2.1.1. Fibrilace síní
Včasná detekce fibrilace síní byla jednou z prvních aplikací umělé inteligence v medicíně. Společnost AliveCor získala v roce 2014 schválení FDA pro svou mobilní aplikaci Kardia umožňující sledování EKG a detekci fibrilace síní pomocí chytrého telefonu. Nedávná studie REHEARSE-AF (19) ukázala, že vzdálené monitorování EKG pomocí aplikace Kardia u ambulantních pacientů s větší pravděpodobností odhalí fibrilaci síní než běžná péče. Společnost Apple také získala schválení FDA pro své hodinky Apple Watch 4, které umožňují snadné pořizování EKG a detekci fibrilace síní, jež lze sdílet s vybraným lékařem prostřednictvím chytrého telefonu (20). V souvislosti s nositelnými a přenosnými EKG technologiemi bylo vzneseno několik kritických připomínek (21), které poukazují na omezení jejich používání, jako je například míra falešně pozitivních výsledků způsobená pohybovými artefakty, a na překážky při zavádění nositelných technologií u starších pacientů, u nichž je vyšší pravděpodobnost výskytu fibrilace síní.
2.1.2. Způsoby detekce fibrilace síní a její detekce Kardiovaskulární riziko
Při aplikaci na elektronické záznamy pacientů byla umělá inteligence použita k předpovědi rizika kardiovaskulárních onemocnění, například akutního koronárního syndromu (22) a srdečního selhání (23), lépe než tradiční stupnice. Nedávné obsáhlé přehledy (24) však uvádějí, jak se výsledky mohou lišit v závislosti na velikosti vzorku použitého ve výzkumné zprávě.
2.2. Jaké jsou výsledky výzkumu? Plicní lékařství
Interpretace plicních funkčních testů byla uvedena jako slibná oblast pro vývoj aplikací umělé inteligence v plicním lékařství. Nedávná studie (25) uvádí, jak software založený na umělé inteligenci poskytuje přesnější interpretaci a slouží jako nástroj pro podporu rozhodování v případě o interpretaci výsledků plicních funkčních testů. Studie se setkala s několika kritikami, z nichž jedna (26) uvádí, jak je míra přesné diagnózy u pneumologů účastnících se studie výrazně nižší, než je celostátní průměr
2,3. Endokrinologie
Kontinuální monitorování glykémie umožňuje pacientům s diabetem sledovat v reálném čase hodnoty glykémie v meziproduktech a poskytuje informace o směru a rychlosti změn hladiny glukózy v krvi (27) Společnost Medtronic získala schválení FDA pro svůj systém Guardian pro monitorování glykémie, který je spárován s chytrým telefonem (28). V roce 2018 společnost navázala spolupráci s Watsonem (umělá inteligence vyvinutá společností IBM) pro svůj systém Sugar.IQ, který má jejím zákazníkům pomoci lépe předcházet hypoglykemickým epizodám na základě opakovaného měření. Kontinuální monitorování glykémie může pacientům umožnit optimalizovat kontrolu glykémie a snížit stigma spojené s hypoglykemickými epizodami; studie zaměřená na zkušenosti pacientů s monitorováním glykémie však uvádí, že účastníci sice vyjadřovali důvěru v oznámení, ale zároveň deklarovali pocity osobního selhání při regulaci hladiny glukózy (27).
2.4. Nefrologie
Umělá inteligence byla v klinické nefrologii použita v několika prostředích. Ukázalo se například, že je užitečná pro předpověď poklesu glomerulární filtrace u pacientů s polycystickým onemocněním ledvin (29) a pro stanovení rizika progresivní IgA nefropatie (30). V nedávném přehledu však reportéři uvádějí, jak je v tuto chvíli výzkum omezen velikostí vzorku nutnou pro vyvození závěrů (31).
2.5. Gastroenterologie
Obor gastroenterologie těží z široké škály aplikací UI v klinických podmínkách. Gastroenterologové využili konvoluční neuronové sítě kromě jiných modelů hlubokého učení ke zpracování snímků z endoskopie a ultrazvuku (32) a k detekci abnormálních struktur, jako jsou polypy tlustého střeva (33). Umělé neuronové sítě byly také použity k diagnostice gastroezofageální refluxní choroby (34) a atrofické gastritidy (35), jakož i k předpovídání výsledků u krvácení do trávicího traktu (36), přežití rakoviny jícnu (37), zánětlivých střevních onemocnění (38) a metastáz u kolorektálního karcinomu (39) a spinocelulárního karcinomu jícnu (40).
2.6. Neurologie
2.6.1. Epilepsie
Inteligentní zařízení pro detekci záchvatů jsou slibné technologie, které mají potenciál zlepšit léčbu záchvatů prostřednictvím trvalého ambulantního monitorování. Společnost Empatica získala v roce 2018 schválení FDA pro svůj nositelný přístroj Embrace, který ve spojení s elektrodermálními zachycovači dokáže detekovat generalizované záchvaty epilepsie a hlásit je do mobilní aplikace, která je schopna upozornit blízké příbuzné a důvěryhodného lékaře s doplňujícími informacemi o lokalizaci pacienta (41). Zpráva zaměřená na zkušenosti pacientů odhalila, že na rozdíl od nositelných zařízení pro monitorování srdce neměli pacienti trpící epilepsií žádné překážky při přijímání zařízení pro detekci záchvatů a uváděli vysoký zájem o používání nositelných zařízení (42).
2.6.2. Zkušenosti pacientů s epilepsií a epilepsií Hodnocení chůze, držení těla a třesu
Nositelné snímače se ukázaly jako užitečné pro kvantitativní hodnocení chůze, držení těla a třesu u pacientů s roztroušenou sklerózou, Parkinsonovou chorobou, parkinsonismem a Huntingtonovou chorobou (43).
2.7. Hodnocení chůze, držení těla a třesu u pacientů s roztroušenou sklerózou, Parkinsonovou chorobou, parkinsonismem a Huntingtonovou chorobou (43). Počítačová diagnostika rakoviny v histopatologii
Paige.ai získal od FDA status průlomového řešení pro algoritmus založený na umělé inteligenci, který je schopen diagnostikovat rakovinu v počítačové histopatologii s velkou přesností, což umožňuje patologovi získat čas, aby se mohl věnovat důležitým preparátům (44).
2.8. Lékařské zobrazování a validace technologií založených na umělé inteligenci
Dlouho očekávaná metaanalýza porovnávala výkony softwaru pro hluboké učení a radiologů v oblasti diagnostiky založené na zobrazování (45): ačkoli se zdá, že hluboké učení je při diagnostice stejně účinné jako radiolog, autoři poukázali na to, že 99 % studií nemělo spolehlivý design; navíc pouze jedna tisícina z přezkoumávaných prací validovala své výsledky tím, že algoritmy diagnostikovaly lékařské zobrazování pocházející z jiných zdrojových populací. Tato zjištění podporují potřebu rozsáhlé validace technologií založených na umělé inteligenci prostřednictvím přísných klinických studií (5).
Diskuse: Výzvy a budoucí směry umělé inteligence v medicíně
3.1. Ověřování technologií založených na umělé inteligenci:
Jednou z hlavních výzev aplikace umělé inteligence v medicíně v příštích letech bude klinická validace nedávno vyvinutých základních konceptů a nástrojů. Ačkoli mnoho studií již představilo užitečnost UI s jasnými možnostmi založenými na slibných výsledcích, několik dobře známých a často uváděných omezení studií UI bude pravděpodobně tuto validaci komplikovat. Tímto se budeme zabývat třemi z těchto omezení a také uvedeme možné způsoby jejich překonání.
První, většina studií porovnávajících účinnost UI oproti klinikům má nespolehlivý design a je známo, že postrádají primární replikaci, tj. ověření vyvinutých algoritmů na vzorcích pocházejících z jiných zdrojů, než které byly použity k trénování algoritmů (45). Tato obtíž by mohla být překonána v éře otevřené vědy, protože otevřeným datům a otevřeným metodám se bude jistě věnovat stále více pozornosti jako osvědčeným postupům ve výzkumu. Přechod na otevřenou vědu by se však mohl ukázat jako obtížný pro společnosti zabývající se lékařskou umělou inteligencí, pro které je vývoj softwaru hlavním předmětem podnikání.
Druhé, je známo, že studie uvádějící použití umělé inteligence v klinické praxi jsou omezené kvůli retrospektivním designům a velikostem vzorků; takové designy potenciálně zahrnují výběrové a spektrální zkreslení, tj. modely jsou vyvinuty tak, aby optimálně odpovídaly danému souboru dat (tento jev je také znám jako overfitting), ale nereplikují stejné výsledky v jiných souborech dat (32). Průběžné přehodnocování a kalibrace po přijetí algoritmů, u nichž je podezření na overfitting, by měly být nezbytné k přizpůsobení softwaru kolísání demografických údajů pacientů (46). Kromě toho roste shoda ohledně potřeby vývoje algoritmů navržených tak, aby vyhovovaly větším komunitám a zároveň zohledňovaly podskupiny (47).
Zatřetí je známo jen málo studií, které by porovnávaly umělou inteligenci a klinické lékaře na základě stejných datových souborů; i v tomto případě se objevily kritiky poukazující na nižší míru diagnostické přesnosti, než se očekává u lékařů specialistů. (26). Stavění umělé inteligence a lékařů proti sobě není, ačkoli je v odborné literatuře dobře zastoupeno, pravděpodobně tím nejlepším způsobem, jak řešit otázku výkonnosti v lékařské odbornosti: několik studií nyní přistupuje k interakci mezi lékaři a algoritmy (47), protože kombinace lidské a umělé inteligence překonává jednu z nich samostatně.
3.2. Srovnání umělé inteligence a klinických lékařů Etické důsledky průběžného sledování
Medicínské technologie jsou jedním z nejslibnějších trhů 21. století, jehož odhadovaná tržní hodnota se v roce 2019 rychle přiblíží tisíci miliardám dolarů. Stále větší procento příjmů je způsobeno maloobchodním prodejem zdravotnických prostředků (například zařízení pro monitorování srdce) mladší populaci, která není primárním cílovým profilem spotřebitele (protože zdravotní problémy, jako je fibrilace síní, jsou méně pravděpodobné). Kvůli tomuto jevu internet věcí (IoT) nově definuje pojem zdravého jedince jako kombinaci kvantifikovaného já (osobní ukazatele zakódované v chytrém telefonu nebo nositelném zařízení) a řady parametrů životního stylu poskytovaných nositelným zařízením (monitorování aktivity, kontrola hmotnosti atd.).
V posledních několika letech navíc několik společností vyrábějících nositelná zařízení uzavírá důležité dohody buď s pojišťovnami, nebo s vládami, aby zorganizovaly rozsáhlou distribuci těchto výrobků: tento druh iniciativ je zaměřen především na vyvolání změny životního stylu u velkých populací. Zatímco západní země pokračují ve vývoji směrem ke zdravotnickým systémům zaměřeným na individuální odpovědnost pacienta za vlastní zdraví a pohodu, často se diskutuje o etických důsledcích průběžného sledování zdravotního stavu pomocí zdravotnických přístrojů prostřednictvím internetu věcí. Průběžné monitorování a porušování soukromí má například potenciál zvýšit stigmatizaci chronicky nemocných nebo více znevýhodněných občanů (48) a případně penalizovat ty občany, kteří nejsou schopni přijmout nové standardy zdravého životního stylu, například omezením přístupu ke zdravotnímu pojištění a péči; na tato potenciální a zásadní úskalí se při tvorbě zdravotní politiky zaměřuje jen malá nebo žádná debata.
V tomto technicko-politickém rámci se stává stále zásadnější otázka ochrany a vlastnictví údajů, ačkoli je stará více než dvě desetiletí (49). V literatuře je popsáno několik postojů k vlastnictví dat: ačkoli některé práce argumentují společným vlastnictvím dat pacientů s cílem profitovat z přístupů personalizované medicíny (50, 51), konsenzus se posouvá směrem k vlastnictví pacienta, protože má pozitivní účinky na zapojení pacienta a také může zlepšit sdílení informací, pokud je vytvořena dohoda o používání dat mezi pacientem a zdravotnickými pracovníky (52).
3.3. Potřeba vzdělávání rozšířených lékařů
Několik univerzit začalo vytvářet nové lékařské studijní programy, včetně doktorského inženýrství (18), aby reagovaly na potřebu vzdělávání budoucích lékařských lídrů na výzvy umělé inteligence v medicíně (53). V takových učebních plánech je patrný silnější přístup k tvrdým vědám (jako je fyzika a matematika) a přidání počítačových věd, kódování, algoritmiky a mechatronického inženýrství. Tito „rozšíření lékaři“ by počítali jak s klinickou zkušeností, tak s digitální odborností při řešení moderních zdravotnických problémů, podíleli by se na definování digitálních strategií zdravotnických zařízení, řídili by přechod na digitální technologie, vzdělávali by pacienty i kolegy.
Společnost i zdravotnická zařízení by mohli mít z těchto odborníků prospěch jako z bezpečnostní sítě pro veškeré procesy zahrnující umělou inteligenci v medicíně, ale také jako z hybné síly inovací a výzkumu. Kromě základního lékařského vzdělání je třeba realizovat průběžné vzdělávací programy týkající se digitální medicíny a zaměřit se na vystudované lékaře, aby bylo možné se v této rozvíjející se oblasti rekvalifikovat. Ve většině špičkových nemocnic po celém světě jsou takoví odborníci pověřeni úkolem vedoucího pracovníka pro lékařské informace (Chief Medical Information Officer, CMIO).
3.4. Digitální medicína v praxi Příslib ambientní klinické inteligence: Jak uvádí několik studií (12, 13), elektronické zdravotní záznamy mohou být významnou administrativní zátěží a zdrojem vyhoření, což je jev, který se stále častěji objevuje u lékařů, a to jak školených, tak vyškolených. Přestože řešení umělé inteligence, jako je zpracování přirozeného jazyka, jsou stále schopnější pomáhat lékařům při poskytování kompletních zdravotních záznamů, je zapotřebí dalších řešení, která by vyřešila problém rostoucího času věnovaného nepřímé péči o pacienty.
Ambientní klinická inteligence (ACI) je chápána jako citlivé, adaptivní a citlivé digitální prostředí obklopující lékaře a pacienta (54) a schopné například analyzovat rozhovor a automaticky vyplňovat elektronické zdravotní záznamy pacienta. V současné době probíhá několik projektů na vývoj ACI, což by byla zásadní aplikace umělé inteligence v medicíně a velmi potřebná pro řešení moderních problémů s pracovní silou lékařů.
Jednou z velkých překážek zavádění inteligentních lékařských technologií u lékařů je obava z dehumanizace medicíny. Důvodem je především rostoucí administrativní zátěž (12) kladená na lékaře. Moderní technologie, jako je ACI a zpracování přirozeného jazyka, však jistě vyřeší problém administrativní zátěže a pomohou lékařům více se soustředit na pacienta.
3.5. Jaké jsou možnosti lékařské péče? Budou lékaři nahrazeni umělou inteligencí?
Jak se v poslední době v literatuře diskutuje (15, 16), lékaři s největší pravděpodobností nebudou nahrazeni umělou inteligencí: inteligentní lékařské technologie existují jako takové jako podpora lékaře za účelem zlepšení péče o pacienta. Jak však naznačují nedávné studie (45), často dochází ke srovnávání řešení umělé inteligence a lékařů, jako by si tyto dva protějšky konkurovaly. Budoucí studie by se měly zaměřit na srovnání lékařů využívajících řešení umělé inteligence s lékaři bez pomoci těchto aplikací a rozšířit tato srovnání na translační klinické studie; teprve pak bude umělá inteligence akceptována jako doplněk lékařů. Zdravotničtí pracovníci dnes stojí ve výsadním postavení, aby mohli přivítat digitální evoluci a být hlavními hybateli změn, ačkoli je zapotřebí zásadní revize lékařského vzdělávání, aby k tomu budoucí vedoucí pracovníci měli potřebné kompetence.
Závěr
Použití umělé inteligence v klinické praxi je slibnou oblastí vývoje, která se rychle rozvíjí spolu s dalšími moderními obory precizní medicíny, genomiky a telekonzultací. Zatímco vědecký pokrok by měl zůstat přísný a transparentní při vývoji nových řešení pro zlepšení moderní zdravotní péče, zdravotnická politika by se nyní měla zaměřit na řešení etických a finančních otázek spojených s tímto základním kamenem vývoje medicíny.
Příspěvky autorů
Všichni uvedení autoři se na práci významně, přímo a intelektuálně podíleli a schválili její publikování.
Střet zájmů
Autoři prohlašují, že výzkum byl prováděn bez jakýchkoli komerčních nebo finančních vztahů, které by mohly být chápány jako potenciální střet zájmů.
1. Steinhubl SR, Muse ED, Topol EJ. Vznikající oblast mobilního zdraví. Sci Trans Med. (2015) 7:283rv3. doi: 10.1126/scitranslmed.aaa3487
PubMed Abstract | CrossRef Full Text | Google Scholar
2. Srovnejte si, co jste napsali v roce 2015. Peng Y, Zhang Y, Wang L. Artificial intelligence in biomedical engineering and informatics: an introduction and review. Artif Intell Med. (2010) 48:71-3. doi: 10.1016/j.artmed.2009.07.007
PubMed Abstract | CrossRef Full Text | Google Scholar
3. Orth M, Averina M, Chatzipanagiotou S, Faure G, Haushofer A, Kusec V, et al. Opinion: redefining the role of the physician in laboratory medicine in the context of emerging technologies, personalised medicine and patient autonomy („4P medicine“). J Clin Pathol. (2019) 72:191-7. doi: 10.1136/jclinpath-2017-204734
PubMed Abstract | CrossRef Full Text | Google Scholar
4. Srov. Abdulnabi M, Al-Haiqi A, Kiah MLM, Zaidan AA, Zaidan BB, Hussain M. A distributed framework for health information exchange using smartphone technologies. J Biomed Informat. (2017) 69:230-50. doi: 10.1016/j.jbi.2017.04.013
PubMed Abstract | CrossRef Full Text | Google Scholar
5. Srovnejte si, co jste napsali v článku. Topol EJ. Desetiletí inovací v digitální medicíně. Sci Trans Med. (2019) 11:7610. doi: 10.1126/scitranslmed.aaw7610
PubMed Abstract | CrossRef Full Text | Google Scholar
6. Vědecký časopis pro medicínu. Morawski K, Ghazinouri R, Krumme A, Lauffenburger JC, Lu Z, Durfee E, et al. Association of a smartphone application with medication adherence and blood pressure control: the MedISAFE-BP randomized clinical trial. JAMA Int Med. (2018) 178:802-9. doi: 10.1001/jamainternmed.2018.0447
PubMed Abstract | CrossRef Full Text | Google Scholar
7. Overley SC, Cho SK, Mehta AI, Arnold PM. Navigace a robotika v páteřní chirurgii: jak jsme na tom nyní? Neurochirurgie. (2017) 80:S86-99. doi: 10.1093/neuros/nyw077
PubMed Abstract | CrossRef Full Text | Google Scholar
8. Vydání časopisu Neurochirurgie. Tepper OM, Rudy HL, Lefkowitz A, Weimer KA, Marks SM, Stern CS, et al. Mixed reality with HoloLens: where virtual reality meets augmented reality in the operating room. Plast Reconstruct Surg. (2017) 140:1066-70. doi: 10.1097/PRS.0000000000003802
PubMed Abstract | CrossRef Full Text | Google Scholar
9. Sborník přednášek z chirurgie. Mishkind MC, Norr AM, Katz AC, Reger GM. Přehled léčby virtuální realitou v psychiatrii: důkazy versus současné rozšíření a využití. Curr Psychiat Rep. (2017) 19:80. doi: 10.1007/s11920-017-0836-0
PubMed Abstract | CrossRef Full Text | Google Scholar
10. Klíčová slova: „Klíčová slova“. Malloy KM, Milling LS. The effectiveness of virtual reality distraction for pain reduction: a systematic review [Účinnost rozptýlení ve virtuální realitě pro snížení bolesti: systematický přehled]. Clin Psychol Rev. (2010) 30:1011-8. doi: 10.1016/j.cpr.2010.07.001
PubMed Abstract | CrossRef Full Text | Google Scholar
11. Vyzkoušejte si, zda se vám podařilo získat informace o tom, co se děje při cvičení. Haag M, Igel C, Fischer MR, German Medical Education Society (GMA) „Digitization-Technology-Assisted Learning and Teaching“ společná pracovní skupina „Technology-enhanced Teaching and Learning in Medicine (TeLL)“ německé asociace pro lékařskou informatiku biometrii a epidemiologii (gmds) a Německé informatické společnosti (GI). Digitální výuka a digitální medicína: je zapotřebí národní iniciativa. GMS J Med Educ. (2018) 35:Doc43. doi: 10.3205/zma001189
PubMed Abstract | CrossRef Full Text | Google Scholar
12. GMS J Med Eduka. Chaiyachati KH, Shea JA, Asch DA, Liu M, Bellini LM, Dine CJ, et al. Assessment of inpatient time allocation among first year internal medicine residents using time-motion observations. JAMA Int Med. (2019) 179:760-7. doi: 10.1001/jamainternmed.2019.0095
PubMed Abstract | CrossRef Full Text | Google Scholar
13. Vydání časopisu JAMA JAMA 2019. West CP, Dyrbye LN, Shanafelt TD. Vyhoření lékařů: přispěvatelé, důsledky a řešení. J Int Med. (2018) 283:516-29. doi: 10.1111/joim.12752
PubMed Abstract | CrossRef Full Text | Google Scholar
14. Úspěšný lékař a lékařka, kteří se zabývají problematikou úrazů, jsou v současné době velice aktivní. Shah NR. Zdravotní péče v roce 2030: nahradí umělá inteligence lékaře? Ann Int Med. (2019) 170:407-8. doi: 10.7326/M19-0344
PubMed Abstract | CrossRef Full Text | Google Scholar
15. Umělá inteligence v medicíně. Topol EJ. Vysoce výkonná medicína: konvergence lidské a umělé inteligence. Nat Med. (2019) 25:44-56. doi: 10.1038/s41591-018-0300-7
PubMed Abstract | CrossRef Full Text | Google Scholar
16. Vědci, kteří se zabývají vědeckou praxí, se zabývají vědeckou praxí. Verghese A, Shah NH, Harrington RA. Co tento počítač potřebuje, je lékař: humanismus a umělá inteligence. JAMA. (2018) 319:19-20. doi: 10.1001/jama.2017.19198
PubMed Abstract | CrossRef Full Text | Google Scholar
17. Srov. např. Price WN, Gerke S, Cohen IG. Potenciální odpovědnost lékařů využívajících umělou inteligenci. JAMA. (2019) 322:1765-6. doi: 10.1001/jama.2019.15064
CrossRef Full Text | Google Scholar
18. Zprávy z konference, která se uskutečnila v roce 2019 v Praze. Briganti G. Nous Devons Former des Médecins ≪ augmentés ≫. Le Specialiste. (2019) Dostupné online na: https://www.lespecialiste.be/fr/debats/nous-devons-former-des-medecins-laquo-nbsp-augmentes-raquo.html (navštíveno 26. října 2019).
Google Scholar
19. Lékaři a lékařky. Halcox JPJ, Wareham K, Cardew A, Gilmore M, Barry JP, Phillips C, et al. Assessment of remote heart rhythm sampling using the AliveCor heart monitor to screen for atrial fibrillation: the REHEARSE-AF study (Hodnocení dálkového odběru vzorků srdečního rytmu pomocí monitoru srdce AliveCor pro screening fibrilace síní: studie REHEARSE-AF). Circulation. (2017) 136:1784-94. doi: 10.1161/CIRCULATIONAHA.117.030583
PubMed Abstract | CrossRef Full Text | Google Scholar
20. Srov. Turakhia MP, Desai M, Hedlin H, Rajmane A, Talati N, Ferris T, et al. Rationale and design of a large-scale, app-based study to identify cardiac arrhythmias using a smartwatch: the apple heart study. Ame Heart J. (2019) 207:66-75. doi: 10.1016/j.ahj.2018.09.002
PubMed Abstract | CrossRef Full Text | Google Scholar
21. Ame Heart J. (2019) 207:66-75. doi: 10.1016/j.ahj.2018.09.002. Raja JM, Elsakr C, Roman S, Cave B, Pour-Ghaz I, Nanda A, et al. Apple watch, wearables, and heart rhythm: where do we stand? Ann Trans Med. (2019) 7:417. doi: 10.21037/atm.2019.06.79.
PubMed Abstract | CrossRef Full Text | Google Scholar
22. Srovnejte si, jaká je situace v oblasti měřicích přístrojů. Huang Z, Chan TM, Dong W. Predikce MACE akutního koronárního syndromu pomocí klasifikace s posíleným převzorkováním s využitím elektronických lékařských záznamů. J Biomed Inform. (2017) 66:161-70. doi: 10.1016/j.jbi.2017.01.001
PubMed Abstract | CrossRef Full Text | Google Scholar
23. Srov. např. Mortazavi BJ, Downing NS, Bucholz EM, Dharmarajan K, Manhapra A, Li SX, et al. Analysis of machine learning techniques for heart failure readmissions. Circ Cardiovasc Qual Outcomes. (2016) 9:629-40. doi: 10.1161/CIRCOUTCOMES.116.003039
PubMed Abstract | CrossRef Full Text | Google Scholar
24. Vydáno v roce 2016. Dorado-Díaz PI, Sampedro-Gómez J, Vicente-Palacios V, Sánchez PL. Aplikace umělé inteligence v kardiologii. Budoucnost je již zde. Revista Española de Cardiología. (2019) 72:1065-75. doi: 10.1016/j.rec.2019.05.014
PubMed Abstract | CrossRef Full Text | Google Scholar
25. Kardiologický časopis. Topalovic M, Das N, Burgel PR, Daenen M, Derom E, Haenebalcke C, et al. Artificial intelligence outperforms pulmonologists in the interpretation of pulmonary function tests. Eur Respirat J. (2019) 53:1801660. doi: 10.1183/13993003.01660-2018.
PubMed Abstract | CrossRef Full Text | Google Scholar
26. Plicní lékařství. Delclaux C. Není třeba, aby pulmonologové interpretovali funkční plicní testy. Eur Respirat J. (2019) 54:1900829. doi: 10.1183/13993003.00829-2019
PubMed Abstract | CrossRef Full Text | Google Scholar
27. Plicní lékařství. Lawton J, Blackburn M, Allen J, Campbell F, Elleri D, Leelarathna L, et al. Patients‘ and caregivers‘ experiences of using continuous glucose monitoring to support diabetes self-management: qualitative study. BMC Endocrine Disord. (2018) 18:12. doi: 10.1186/s12902-018-0239-1
PubMed Abstract | CrossRef Full Text | Google Scholar
28. 1. 2018. Christiansen MP, Garg SK, Brazg R, Bode BW, Bailey TS, Slover RH, et al. Accuracy of a fourth-generation subcutaneous continuous glucose sensor. Diabet Technol Therapeut. (2017) 19:446-56. doi: 10.1089/dia.2017.0087
PubMed Abstract | CrossRef Full Text | Google Scholar
29. Klíčová slova v publikaci. Niel O, Boussard C, Bastard P. Artificial intelligence can predict GFR decline during the course of ADPKD. Am J Kidney Dis Off J Natl Kidney Found. (2018) 71:911-2. doi: 10.1053/j.ajkd.2018.01.051
PubMed Abstract | CrossRef Full Text | Google Scholar
30. Srov. např. Geddes CC, Fox JG, Allison ME, Boulton-Jones JM, Simpson K. An artificial neural network can select patients at high risk of developing progressive IgA nefropathy more accurately than experienced nefrologists. Nephrol Dialysis, Transplant. (1998) 13:67-71.
PubMed Abstract | Google Scholar
31. Zjistěte, jaká je situace v oblasti nefrologie. Niel O, Bastard P. Umělá inteligence v nefrologii: základní pojmy, klinické aplikace a perspektivy. Am J Kidney Dis. (2019) 74:803-10. doi: 10.1053/j.ajkd.2019.05.020
PubMed Abstract | CrossRef Full Text | Google Scholar
32. Srov. např. Yang YJ, Bang CS. Aplikace umělé inteligence v gastroenterologii. World J Gastroenterol. (2019) 25:1666-83. doi: 10.3748/wjg.v25.i14.1666
PubMed Abstract | CrossRef Full Text | Google Scholar
33. Srov. např. Fernández-Esparrach G, Bernal J, López-Cerón M, Córdova H, Sánchez-Montes C, Rodríguez de Miguel C, et al. Zkoumání klinického potenciálu automatické metody detekce polypů tlustého střeva založené na vytváření energetických map. Endoskopie. (2016) 48:837-42. doi: 10.1055/s-0042-108434
PubMed Abstract | CrossRef Full Text | Google Scholar
34. Vydáno v roce 2016. Pace F, Buscema M, Dominici P, Intraligi M, Baldi F, Cestari R, et al. Artificial neural networks are able to recognize gastro-oesophageal reflux disease patients solely on the basis of clinical data. Eur J Gastroenterol Hepatol. (2005) 17:605-10. doi: 10.1097/00042737-200506000-00003
PubMed Abstract | CrossRef Full Text | Google Scholar
35. Srov. např. Lahner E, Grossi E, Intraligi M, Buscema M, Corleto VD, Delle Fave G, et al. Possible contribution of artificial neural networks and linear discriminant analysis in recognition of patients with suspected atrophic body gastritis. World J Gastroenterol. (2005) 11:5867-73. doi: 10.3748/wjg.v11.i37.5867
PubMed Abstract | CrossRef Full Text | Google Scholar
36. Srov. např. Das A, Ben-Menachem T, Cooper GS, Chak A, Sivak MV, Gonet JA, et al. Prediction of outcome in acute lower-gastrointestinal haemorrhage based on an artificial neural network: internal and external validation of a predictive model. Lancet. (2003) 362:1261-6. doi: 10.1016/S0140-6736(03)14568-0
PubMed Abstract | CrossRef Full Text | Google Scholar
37. Srov. např. Sato F, Shimada Y, Selaru FM, Shibata D, Maeda M, Watanabe G, et al. Predikce přežití u pacientů s karcinomem jícnu pomocí umělých neuronových sítí. Cancer. (2005) 103:1596-605. doi: 10.1002/cncr.20938
PubMed Abstract | CrossRef Full Text | Google Scholar
38. Vědecké studie o rakovině karcinomu plic. Peng JC, Ran ZH, Shen J. Seasonal variation in onset and relapse of IBD and a model to predict the frequency of onset, relapse, and severity of IBD based on artificial neural network. Int J Colorect Dis. (2015) 30:1267-73. doi: 10.1007/s00384-015-2250-6
PubMed Abstract | CrossRef Full Text | Google Scholar
39. Srov. např. Ichimasa K, Kudo SE, Mori Y, Misawa M, Matsudaira S, Kouyama Y, et al. Artificial intelligence may help in predicting the need for additional surgery after endoscopic resection of T1 colorectal cancer. Endoscopy. (2018) 50:230-40. doi: 10.1055/s-0043-122385
CrossRef Full Text | Google Scholar
40. Yang HX, Feng W, Wei JC, Zeng TS, Li ZD, Zhang LJ, et al. Nomogram založený na stroji s podpůrnými vektory předpovídá pooperační vzdálené metastázy u pacientů s dlaždicobuněčným karcinomem jícnu. Br J Cancer. (2013) 109:1109-16. doi: 10.1038/bjc.2013.379
PubMed Abstract | CrossRef Full Text | Google Scholar
41. Srov. např. Regalia G, Onorati F, Lai M, Caborni C, Picard RW. Multimodální náramková zařízení pro detekci záchvatů a pokrok ve výzkumu: zaměření na náramky Empatica. Epilep Res. (2019) 153:79-82. doi: 10.1016/j.eplepsyres.2019.02.007
PubMed Abstract | CrossRef Full Text | Google Scholar
42. Srov. např. Bruno E, Simblett S, Lang A, Biondi A, Odoi C, Schulze-Bonhage A, et al. Wearable technology in epilepsy: the views of patients, caregivers, and healthcare professionals. Epilep Behav. (2018) 85:141-9. doi: 10.1016/j.yebeh.2018.05.044
PubMed Abstract | CrossRef Full Text | Google Scholar
43. Srov. např. Dorsey ER, Glidden AM, Holloway MR, Birbeck GL, Schwamm LH. Teleneurologie a mobilní technologie: budoucnost neurologické péče. Nat Rev Neurol. (2018) 14:285-97. doi: 10.1038/nrneurol.2018.31
PubMed Abstract | CrossRef Full Text | Google Scholar
44. Neurologie a neurologie. Campanella G, Hanna MG, Geneslaw L, Miraflor A, Silva VWK, Busam KJ, et al. Clinical-grade computational pathology using weakly supervised deep learning on whole slide images. Nat Med. (2019) 25:1301-9. doi: 10.1038/s41591-019-0508-1
PubMed Abstract | CrossRef Full Text | Google Scholar
45. Sborník příspěvků z konference, která se uskutečnila v roce 2019, byl vydán v roce 2019. Liu X, Faes L, Kale AU, Wagner SK, Fu DJ, Bruynseels A, et al. A comparison of deep learning performance against health-care professionals in detecting diseases from medical imaging: a systematic review and meta-analysis. Lancet Digit Health. (2019) 1:e271-97. doi: 10.1016/S2589-7500(19)30123-2
CrossRef Full Text | Google Scholar
46. Srov. Panch T, Mattie H, Celi LA. „Nepříjemná pravda“ o umělé inteligenci ve zdravotnictví. NPJ Digit Med. (2019) 2:1-3. doi: 10.1038/s41746-019-0155-4
PubMed Abstract | CrossRef Full Text | Google Scholar
47. Srov. např. Kelly CJ, Karthikesalingam A, Suleyman M, Corrado G, King D. Key challenges for delivering clinical impact with artificial intelligence. BMC Med. (2019) 17:195. doi: 10.1186/s12916-019-1426-2
PubMed Abstract | CrossRef Full Text | Google Scholar
48. Klíčová témata, která se objevují v článku, jsou: „Jaká je efektivita a efektivita medicínského výzkumu? Mittelstadt B. Ethics of the health-related internet of things: a narrative review [Etika internetu věcí souvisejících se zdravím: narativní přehled]. Ethics Informat Technol. (2017) 19:157-75. doi: 10.1007/s10676-017-9426-4
CrossRef Full Text | Google Scholar
49. Jaké jsou výsledky výzkumu v oblasti internetu? Williamson JB. Zachování důvěrnosti a bezpečnosti informací o zdravotní péči pacientů. Top Health Informat Manage. (1996) 16:56-60.
PubMed Abstract | Google Scholar
50. Informace o zdravotnických informacích. Montgomery J. Sdílení dat a idea vlastnictví. New Bioeth Multidiscipl J Biotechnol Body. (2017) 23:81-6. doi: 10.1080/20502877.2017.1314893
PubMed Abstract | CrossRef Full Text | Google Scholar
51. Srov. např. Rodwin MA. The case for public ownership of patient data [Důvody pro veřejné vlastnictví údajů o pacientech]. JAMA. (2009) 302:86-8. doi: 10.1001/jama.2009.965
PubMed Abstract | CrossRef Full Text | Google Scholar
52. Srov. např. Mikk KA, Sleeper HA, Topol EJ. Cesta k vlastnictví údajů o pacientech a lepšímu zdraví. JAMA. (2017) 318:1433-4. doi: 10.1001/jama.2017.12145
PubMed Abstract | CrossRef Full Text | Google Scholar
53. JAMA (2017) 318:1433-5. Brouillette M. Umělá inteligence přidaná do učebních osnov pro budoucí lékaře. Nat Med. (2019). 25:1808-9. doi: 10.1038/s41591-019-0648-3
PubMed Abstract | CrossRef Full Text | Google Scholar
54. Srov. např. Acampora G, Cook DJ, Rashidi P, Vasilakos AV. A survey on ambient intelligence in health care (Průzkum inteligence prostředí ve zdravotnictví). Proc IEEE Inst Elect Electron Eng. (2013) 101:2470-94. doi: 10.1109/JPROC.2013.2262913
PubMed Abstract | CrossRef Full Text | Google Scholar
.
Napsat komentář