Frontiers in Medicine
On Oktober 30, 2021 by adminEinführung
Der Begriff „Medizintechnik“ wird weithin verwendet, um eine Reihe von Hilfsmitteln zu bezeichnen, die es den Angehörigen der Gesundheitsberufe ermöglichen, den Patienten und der Gesellschaft eine bessere Lebensqualität zu bieten, indem sie eine frühzeitige Diagnose ermöglichen, Komplikationen verringern, die Behandlung optimieren und/oder weniger invasive Optionen anbieten und die Dauer von Krankenhausaufenthalten verkürzen. Während vor der mobilen Ära medizinische Technologien hauptsächlich als klassische medizinische Geräte (z. B. Prothesen, Stents, Implantate) bekannt waren, hat das Aufkommen von Smartphones, Wearables, Sensoren und Kommunikationssystemen die Medizin revolutioniert, da sie auf kleinstem Raum mit künstlicher Intelligenz (KI) betriebene Werkzeuge (wie Anwendungen) enthalten können (1). KI hat die Medizintechnik revolutioniert und kann allgemein als der Teil der Informatik verstanden werden, der in der Lage ist, komplexe Probleme mit vielen Anwendungen in Bereichen mit großen Datenmengen, aber wenig Theorie zu behandeln (2).
Intelligente Medizintechnik (d.h., Die Bevölkerung ist von intelligenten (d. h. KI-gestützten) Medizintechnologien begeistert, auch weil sie ein 4P-Modell der Medizin (prädiktiv, präventiv, personalisiert und partizipativ) und damit Patientenautonomie in einer Weise ermöglichen, wie es bisher nicht möglich war (3); Smartphones werden beispielsweise immer häufiger eingesetzt, um eine elektronische persönliche Gesundheitsakte auszufüllen und zu verteilen (4), um Vitalfunktionen mit Biosensoren zu überwachen (5) und um eine optimale Therapietreue zu erreichen (6), wodurch der Patient zum Hauptakteur in der Behandlung wird. Die Entwicklung intelligenter medizinischer Technologien ermöglicht die Entwicklung eines neuen Bereichs in der Medizin: die erweiterte Medizin, d. h. die Nutzung neuer medizinischer Technologien zur Verbesserung verschiedener Aspekte der klinischen Praxis. Mehrere KI-basierte Algorithmen wurden in den letzten zehn Jahren von der Food and Drug Administration (FDA) zugelassen und könnten daher eingesetzt werden. Die erweiterte Medizin wird nicht nur durch KI-basierte Technologien ermöglicht, sondern auch durch verschiedene andere digitale Hilfsmittel, wie chirurgische Navigationssysteme für die computergestützte Chirurgie (7), Virtual-Reality-Continuum-Tools für die Chirurgie, die Schmerzbehandlung und psychiatrische Erkrankungen (8-10).
Obwohl der Bereich der erweiterten Medizin bei den Patienten auf Erfolg zu stoßen scheint, stößt er bei den Angehörigen der Gesundheitsberufe, insbesondere den Ärzten, auf einen gewissen Widerstand: Für dieses Phänomen sind vier weithin diskutierte Gründe anzuführen. Erstens ist die Unvorbereitetheit auf das Potenzial der digitalen Medizin auf den offensichtlichen Mangel an Aus- und Weiterbildung in dieser Disziplin zurückzuführen (11). Zweitens ging die frühe Digitalisierung der Gesundheitsprozesse, ganz anders als das Versprechen der erweiterten Medizin, mit einem steilen Anstieg des Verwaltungsaufwands einher, der vor allem mit der elektronischen Patientenakte zusammenhängt (12), was als eine der Hauptkomponenten des Burnouts bei Ärzten bekannt geworden ist (13). Drittens wird zunehmend befürchtet, dass KI die Ärzte ersetzen könnte (14), obwohl in der Literatur die Meinung vorherrscht, dass KI die ärztliche Intelligenz in Zukunft ergänzen wird (15, 16). Viertens: Das derzeitige weltweite Fehlen eines rechtlichen Rahmens, der das Konzept der Haftung im Falle der Annahme oder Ablehnung von Algorithmusempfehlungen definiert, setzt den Arzt bei der Verwendung von KI potenziellen rechtlichen Folgen aus (17).
Aufgrund der mangelnden Ausbildung in digitaler Medizin bereiten mehrere private medizinische Fakultäten ihre zukünftigen medizinischen Führungskräfte auf die Herausforderung der erweiterten Medizin vor, indem sie entweder das medizinische Curriculum mit dem technischen Curriculum verknüpfen oder digitale Gesundheitskompetenz und -nutzung in ein erweitertes Curriculum einführen (18).
Ziel dieses Beitrags ist es, die jüngsten Entwicklungen der KI in der Medizin zusammenzufassen, die wichtigsten Anwendungsfälle zu nennen, in denen KI-gestützte medizinische Technologien bereits in der klinischen Praxis eingesetzt werden können, und Perspektiven für die Herausforderungen und Risiken aufzuzeigen, mit denen Fachkräfte und Einrichtungen des Gesundheitswesens bei der Umsetzung der erweiterten Medizin sowohl in der klinischen Praxis als auch in der Ausbildung künftiger medizinischer Führungskräfte konfrontiert sind.
Aktuelle Anwendungen der künstlichen Intelligenz in der Medizin
2.1. Kardiologie
2.1.1. Vorhofflimmern
Die Früherkennung von Vorhofflimmern war eine der ersten Anwendungen von KI in der Medizin. AliveCor erhielt 2014 die FDA-Zulassung für seine mobile Anwendung Kardia, die eine Smartphone-basierte EKG-Überwachung und Erkennung von Vorhofflimmern ermöglicht. Die kürzlich durchgeführte REHEARSE-AF-Studie (19) zeigte, dass die EKG-Fernüberwachung mit Kardia bei ambulanten Patienten mit höherer Wahrscheinlichkeit Vorhofflimmern erkennt als die Routineversorgung. Auch Apple hat die FDA-Zulassung für seine Apple Watch 4 erhalten, die eine einfache EKG-Erfassung und Erkennung von Vorhofflimmern ermöglicht, die über ein Smartphone mit dem Arzt der Wahl geteilt werden kann (20). Mehrere kritische Stimmen zu tragbaren EKG-Technologien wurden geäußert (21), die auf die Grenzen ihrer Verwendung hinweisen, wie z. B. die Falsch-Positiv-Rate aufgrund von Bewegungsartefakten und die Hindernisse bei der Einführung von tragbaren Technologien bei älteren Patienten, die mit größerer Wahrscheinlichkeit an Vorhofflimmern leiden.
2.1.2. Kardiovaskuläres Risiko
Angewandt auf elektronische Patientendatensätze wurde KI eingesetzt, um das Risiko für kardiovaskuläre Erkrankungen, z. B. akutes Koronarsyndrom (22) und Herzinsuffizienz (23), besser vorherzusagen als herkömmliche Skalen. Jüngste umfassende Übersichten (24) haben jedoch berichtet, dass die Ergebnisse je nach der im Forschungsbericht verwendeten Stichprobengröße variieren können.
2.2. Lungenheilkunde
Die Interpretation von Lungenfunktionstests wurde als vielversprechender Bereich für die Entwicklung von KI-Anwendungen in der Lungenheilkunde bezeichnet. In einer neueren Studie (25) wurde berichtet, wie KI-basierte Software eine genauere Interpretation ermöglicht und als Entscheidungshilfe bei der Interpretation der Ergebnisse von Lungenfunktionstests dient. Die Studie wurde mehrfach kritisiert, unter anderem wurde berichtet (26), dass die Rate der korrekten Diagnosen bei den an der Studie teilnehmenden Lungenärzten deutlich unter dem Landesdurchschnitt lag.
2.3. Endokrinologie
Die kontinuierliche Glukoseüberwachung ermöglicht es Patienten mit Diabetes, interstitielle Glukosemesswerte in Echtzeit anzuzeigen, und liefert Informationen über die Richtung und die Geschwindigkeit der Veränderung des Blutzuckerspiegels (27) Medtronic erhielt die FDA-Zulassung für sein Guardian-System zur Glukoseüberwachung, das mit einem Smartphone verbunden ist (28). Im Jahr 2018 ging das Unternehmen für sein Sugar.IQ-System eine Partnerschaft mit Watson (einer von IBM entwickelten KI) ein, um seinen Kunden zu helfen, Hypoglykämie-Episoden auf der Grundlage wiederholter Messungen besser zu verhindern. Die kontinuierliche Blutzuckermessung kann Patienten in die Lage versetzen, ihre Blutzuckerkontrolle zu optimieren und das mit hypoglykämischen Episoden verbundene Stigma zu verringern; eine Studie, die sich auf die Erfahrungen von Patienten mit der Blutzuckermessung konzentrierte, berichtete jedoch, dass die Teilnehmer zwar Vertrauen in die Benachrichtigungen äußerten, aber auch Gefühle des persönlichen Versagens bei der Regulierung des Blutzuckerspiegels angaben (27).
2.4. Nephrologie
Künstliche Intelligenz wurde in verschiedenen Bereichen der klinischen Nephrologie eingesetzt. So hat sie sich beispielsweise als nützlich für die Vorhersage des Rückgangs der glomerulären Filtrationsrate bei Patienten mit polyzystischer Nierenerkrankung (29) und für die Ermittlung des Risikos einer progressiven IgA-Nephropathie (30) erwiesen. In einer kürzlich erschienenen Übersichtsarbeit wird jedoch darauf hingewiesen, dass die Forschung derzeit durch die für die Schlussfolgerungen erforderliche Stichprobengröße begrenzt ist (31).
2.5. Gastroenterologie
Das Fachgebiet der Gastroenterologie profitiert von einer breiten Palette von KI-Anwendungen im klinischen Umfeld. Gastroenterologen nutzen Faltungsneuronale Netze und andere Deep-Learning-Modelle, um Bilder aus Endoskopie und Ultraschall (32) zu verarbeiten und abnorme Strukturen wie Kolonpolypen (33) zu erkennen. Künstliche neuronale Netze wurden auch zur Diagnose der gastroösophagealen Refluxkrankheit (34) und der atrophischen Gastritis (35) sowie zur Vorhersage von Ergebnissen bei gastrointestinalen Blutungen (36), dem Überleben von Speiseröhrenkrebs (37), entzündlichen Darmerkrankungen (38) und der Metastasierung bei kolorektalem Krebs (39) und Plattenepithelkarzinomen der Speiseröhre (40) eingesetzt.
2.6. Neurologie
2.6.1. Epilepsie
Intelligente Anfallserkennungsgeräte sind vielversprechende Technologien, die das Potenzial haben, das Anfallsmanagement durch permanente ambulante Überwachung zu verbessern. Empatica erhielt 2018 die FDA-Zulassung für sein Wearable Embrace, das in Verbindung mit elektrodermalen Fängern generalisierte Epilepsieanfälle erkennen und an eine mobile Anwendung melden kann, die in der Lage ist, nahe Angehörige und den Arzt des Vertrauens mit ergänzenden Informationen zur Lokalisierung des Patienten zu alarmieren (41). Ein Bericht, der sich auf die Erfahrungen der Patienten konzentrierte, zeigte, dass Epilepsiepatienten im Gegensatz zu Wearables zur Herzüberwachung keine Hindernisse bei der Einführung von Anfallserkennungsgeräten hatten und ein großes Interesse an der Nutzung von Wearables bekundeten (42).
2.6.2. Bewertung von Gang, Haltung und Tremor
Wearable-Sensoren haben sich als nützlich erwiesen, um Gang, Haltung und Tremor bei Patienten mit Multipler Sklerose, Morbus Parkinson, Parkinsonismus und Chorea Huntington quantitativ zu bewerten (43).
2.7. Computergestützte Krebsdiagnose in der Histopathologie
Paige.ai hat von der FDA den Status eines Durchbruchs für einen KI-basierten Algorithmus erhalten, der in der Lage ist, Krebs in der computergestützten Histopathologie mit großer Genauigkeit zu diagnostizieren, so dass Pathologen Zeit gewinnen, um sich auf wichtige Objektträger zu konzentrieren (44).
2.8. Medizinische Bildgebung und Validierung von KI-basierten Technologien
Eine lang erwartete Meta-Analyse verglich die Leistungen von Deep-Learning-Software und Radiologen im Bereich der bildgebungsbasierten Diagnose (45): Obwohl Deep Learning bei der Diagnose ebenso effizient zu sein scheint wie Radiologen, wiesen die Autoren darauf hin, dass 99 % der Studien kein zuverlässiges Design aufwiesen; außerdem validierte nur ein Tausendstel der untersuchten Arbeiten ihre Ergebnisse, indem sie Algorithmen medizinische Bildgebung aus anderen Quellenpopulationen diagnostizieren ließen. Diese Ergebnisse unterstützen die Notwendigkeit einer umfassenden Validierung von KI-basierten Technologien durch strenge klinische Studien (5).
Diskussion: Herausforderungen und zukünftige Wege der künstlichen Intelligenz in der Medizin
3.1. Validierung von KI-basierten Technologien: Toward a Replication Crisis?
Eine der zentralen Herausforderungen bei der Anwendung von KI in der Medizin in den nächsten Jahren wird die klinische Validierung der kürzlich entwickelten Kernkonzepte und Werkzeuge sein. Obwohl viele Studien bereits den Nutzen der KI mit klaren Möglichkeiten auf der Grundlage vielversprechender Ergebnisse vorgestellt haben, dürften mehrere wohlbekannte und häufig berichtete Einschränkungen von KI-Studien eine solche Validierung erschweren. Wir werden im Folgenden drei dieser Einschränkungen ansprechen und mögliche Wege zu ihrer Überwindung aufzeigen.
Erstens haben die meisten Studien, die die Effizienz von KI mit der von Klinikern vergleichen, ein unzuverlässiges Design und bekanntermaßen keine primäre Replikation, d. h. die Validierung der entwickelten Algorithmen anhand von Stichproben, die aus anderen Quellen stammen als die, die zum Training der Algorithmen verwendet wurden (45). Diese Schwierigkeit könnte in der Ära der offenen Wissenschaft überwunden werden, da offene Daten und offene Methoden als bewährte Verfahren in der Forschung immer mehr Beachtung finden werden. Zweitens sind Studien, die über die Anwendung von KI in der klinischen Praxis berichten, aufgrund von retrospektiven Designs und Stichprobengrößen bekanntermaßen begrenzt; solche Designs enthalten potenziell Selektions- und Spektrumsverzerrungen, d. h. Modelle werden entwickelt, um sich optimal an einen bestimmten Datensatz anzupassen (dieses Phänomen ist auch als Overfitting bekannt), wiederholen aber nicht die gleichen Ergebnisse in anderen Datensätzen (32). Eine kontinuierliche Neubewertung und Kalibrierung nach der Einführung von Algorithmen, bei denen der Verdacht auf Overfitting besteht, sollte notwendig sein, um die Software an die Fluktuation der demografischen Merkmale der Patienten anzupassen (46). Darüber hinaus besteht ein zunehmender Konsens über die Notwendigkeit der Entwicklung von Algorithmen, die auf größere Gemeinschaften zugeschnitten sind und gleichzeitig Untergruppen berücksichtigen (47).
Drittens sind nur wenige Studien bekannt, in denen KI und Kliniker auf der Grundlage derselben Datensätze verglichen wurden; selbst in diesem Szenario wurde Kritik geäußert, die auf eine geringere diagnostische Genauigkeit hinwies, als sie von Fachärzten erwartet wird. (26). Die Gegenüberstellung von KI und Klinikern ist, auch wenn sie in der wissenschaftlichen Literatur gut vertreten ist, wahrscheinlich nicht der beste Weg, um das Problem der Leistungsfähigkeit medizinischer Fachkenntnisse anzugehen: Mehrere Studien befassen sich inzwischen mit der Interaktion zwischen Klinikern und Algorithmen (47), da die Kombination aus menschlicher und künstlicher Intelligenz beide allein übertrifft.
3.2. Ethische Implikationen der laufenden Überwachung
Die Medizintechnik ist einer der vielversprechendsten Märkte des 21. Jahrhunderts mit einem geschätzten Marktwert, der sich im Jahr 2019 rasch auf tausend Milliarden Dollar zubewegt. Ein zunehmender Prozentsatz des Umsatzes ist auf den Verkauf medizinischer Geräte (wie z. B. Herzüberwachungsgeräte) an eine jüngere Bevölkerung zurückzuführen, die nicht das primäre Zielkundenprofil darstellt (weil Gesundheitsprobleme wie Vorhofflimmern weniger wahrscheinlich sind). Aufgrund dieses Phänomens definiert das Internet der Dinge (IoT) das Konzept des gesunden Individuums neu als eine Kombination aus quantifiziertem Selbst (persönliche Indikatoren, die im Smartphone oder Wearable kodiert sind) und einer Reihe von Lifestyle-Parametern, die durch Wearables bereitgestellt werden (Aktivitätsüberwachung, Gewichtskontrolle usw.).
Darüber hinaus haben mehrere Wearable-Unternehmen in den letzten Jahren wichtige Vereinbarungen mit Versicherungsgesellschaften oder Regierungen getroffen, um einen groß angelegten Vertrieb dieser Produkte zu organisieren: Diese Art von Initiativen zielt hauptsächlich darauf ab, eine Änderung des Lebensstils in großen Bevölkerungsgruppen zu bewirken. Während sich die westlichen Länder weiter in Richtung eines Gesundheitssystems entwickeln, das die Eigenverantwortung des Patienten für seine Gesundheit und sein Wohlergehen in den Mittelpunkt stellt, werden die ethischen Implikationen einer ständigen medizinischen Überwachung mit medizinischen Geräten über das Internet der Dinge häufig diskutiert. Zum Beispiel haben die ständige Überwachung und die Verletzung der Privatsphäre das Potenzial, die Stigmatisierung chronisch kranker oder benachteiligter Bürger zu verstärken (48) und möglicherweise jene Bürger zu bestrafen, die nicht in der Lage sind, neue Standards für einen gesunden Lebensstil zu übernehmen, indem beispielsweise der Zugang zu Krankenversicherung und -versorgung eingeschränkt wird; diese potenziellen und entscheidenden Fallstricke wurden in der Gesundheitspolitik wenig bis gar nicht diskutiert.
In diesem technopolitischen Rahmen wird die Frage des Datenschutzes und des Eigentums immer wichtiger, obwohl sie schon mehr als zwei Jahrzehnte alt ist (49). In der Literatur werden verschiedene Haltungen zum Dateneigentum beschrieben: Obwohl einige Arbeiten für ein gemeinsames Eigentum an Patientendaten plädieren, um von Ansätzen der personalisierten Medizin zu profitieren (50, 51), verschiebt sich der Konsens in Richtung Patienten-Eigentum, da es sich positiv auf das Engagement der Patienten auswirkt und den Informationsaustausch verbessern kann, wenn eine Datennutzungsvereinbarung zwischen dem Patienten und den Angehörigen der Gesundheitsberufe entwickelt wird (52).
3.3. Die Notwendigkeit, Augmented Doctors auszubilden
Einige Universitäten haben damit begonnen, neue medizinische Lehrpläne zu erstellen, einschließlich eines Doctor-Engineering (18), um auf die Notwendigkeit zu reagieren, zukünftige medizinische Führungskräfte für die Herausforderungen der künstlichen Intelligenz in der Medizin auszubilden (53). Solche Lehrpläne sehen einen stärkeren Ansatz für die harten Wissenschaften (wie Physik und Mathematik) und die Hinzufügung von Computerwissenschaften, Kodierung, Algorithmik und Mechatronik vor. Diese „erweiterten Ärzte“ würden sich sowohl auf klinische Erfahrung als auch auf digitales Fachwissen stützen, um moderne Gesundheitsprobleme zu lösen, an der Festlegung digitaler Strategien für Gesundheitseinrichtungen mitzuwirken, den digitalen Wandel zu bewältigen und Patienten und Kollegen aufzuklären.
Gesellschaft und Gesundheitseinrichtungen könnten von diesen Fachleuten als Sicherheitsnetz für alle Prozesse, die KI in der Medizin einschließen, aber auch als Motor für Innovation und Forschung profitieren. Neben der medizinischen Grundausbildung ist es notwendig, Weiterbildungsprogramme für die digitale Medizin zu implementieren, die sich an Ärzte mit Hochschulabschluss richten, um eine Umschulung in diesem wachsenden Bereich zu ermöglichen. In den meisten modernen Krankenhäusern auf der ganzen Welt werden solche Experten mit der Aufgabe des Chief Medical Information Officer (CMIO) betraut.
3.4. Das Versprechen von Ambient Clinical Intelligence: Vermeidung von Dehumanisierung durch Technologie
Wie in mehreren Studien (12, 13) festgestellt wurde, können elektronische Gesundheitsakten einen erheblichen Verwaltungsaufwand darstellen und eine Quelle von Burnout sein, ein Phänomen, das bei Ärzten in der Ausbildung und in der Praxis zunehmend auftritt. Obwohl Lösungen der künstlichen Intelligenz, wie z. B. die Verarbeitung natürlicher Sprache, immer besser in der Lage sind, den Arzt bei der Erstellung vollständiger Krankenakten zu unterstützen, werden weitere Lösungen benötigt, um das Problem der zunehmenden Zeit, die für die indirekte Patientenversorgung aufgewendet wird, zu lösen.
Ambient Clinical Intelligence (ACI) wird als eine sensible, adaptive und reaktionsfähige digitale Umgebung verstanden, die den Arzt und den Patienten umgibt (54) und in der Lage ist, z. B. das Gespräch zu analysieren und automatisch die elektronischen Krankenakten des Patienten zu füllen. Mehrere Projekte sind im Gange, um eine ACI zu entwickeln, die eine entscheidende Anwendung der künstlichen Intelligenz in der Medizin wäre und dringend benötigt wird, um moderne Probleme mit dem ärztlichen Personal zu lösen.
Eines der großen Hindernisse für die Einführung intelligenter medizinischer Technologien bei Ärzten ist die Angst vor einer Entmenschlichung der Medizin. Dies ist vor allem auf den zunehmenden Verwaltungsaufwand (12) zurückzuführen, der den Ärzten auferlegt wird. Moderne Technologien wie ACI und die Verarbeitung natürlicher Sprache werden jedoch das Problem des Verwaltungsaufwands lösen und den Ärzten helfen, sich mehr auf den Patienten zu konzentrieren.
3.5. Werden Ärzte durch künstliche Intelligenz ersetzt?
Wie kürzlich in der Literatur diskutiert (15, 16), werden Ärzte höchstwahrscheinlich nicht durch künstliche Intelligenz ersetzt: Intelligente medizinische Technologien existieren als solche zur Unterstützung des Arztes, um das Patientenmanagement zu verbessern. Wie neuere Studien gezeigt haben (45), werden jedoch häufig Vergleiche zwischen Lösungen der künstlichen Intelligenz und Ärzten angestellt, als ob die beiden Kontrahenten in Konkurrenz zueinander stünden. Künftige Studien sollten sich auf den Vergleich zwischen Ärzten, die Lösungen der künstlichen Intelligenz nutzen, und Ärzten ohne solche Anwendungen konzentrieren und diese Vergleiche auf translationale klinische Studien ausdehnen; erst dann wird die künstliche Intelligenz als Ergänzung zu Ärzten akzeptiert werden. Die Angehörigen der Gesundheitsberufe befinden sich heute in einer privilegierten Position, um die digitale Entwicklung zu begrüßen und die Hauptantriebskräfte des Wandels zu sein, auch wenn eine umfassende Überarbeitung der medizinischen Ausbildung erforderlich ist, um den künftigen Führungskräften die entsprechenden Kompetenzen zu vermitteln.
Schlussfolgerung
Die Anwendung künstlicher Intelligenz in der klinischen Praxis ist ein vielversprechender Entwicklungsbereich, der sich zusammen mit den anderen modernen Bereichen der Präzisionsmedizin, der Genomik und der Telekonsultation rasch weiterentwickelt. Während der wissenschaftliche Fortschritt bei der Entwicklung neuer Lösungen zur Verbesserung des modernen Gesundheitswesens streng und transparent bleiben sollte, sollte sich die Gesundheitspolitik jetzt auf die Lösung der ethischen und finanziellen Fragen konzentrieren, die mit diesem Eckpfeiler der Entwicklung der Medizin verbunden sind.
Autorenbeiträge
Alle aufgeführten Autoren haben einen substanziellen, direkten und intellektuellen Beitrag zur Arbeit geleistet und sie zur Veröffentlichung freigegeben.
Interessenkonflikt
Die Autoren erklären, dass die Forschung in Abwesenheit von kommerziellen oder finanziellen Beziehungen durchgeführt wurde, die als potenzieller Interessenkonflikt ausgelegt werden könnten.
1. Steinhubl SR, Muse ED, Topol EJ. The emerging field of mobile health. Sci Trans Med. (2015) 7:283rv3. doi: 10.1126/scitranslmed.aaa3487
PubMed Abstract | CrossRef Full Text | Google Scholar
2. 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. 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. Topol EJ. Ein Jahrzehnt der Innovation in der digitalen Medizin. Sci Trans Med. (2019) 11:7610. doi: 10.1126/scitranslmed.aaw7610
PubMed Abstract | CrossRef Full Text | Google Scholar
6. 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. Navigation und Robotik in der Wirbelsäulenchirurgie: Wo stehen wir heute? Neurosurgery. (2017) 80:S86-99. doi: 10.1093/neuros/nyw077
PubMed Abstract | CrossRef Full Text | Google Scholar
8. 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. Mishkind MC, Norr AM, Katz AC, Reger GM. Review of virtual reality treatment in psychiatry: evidence versus current diffusion and use. Curr Psychiat Rep. (2017) 19:80. doi: 10.1007/s11920-017-0836-0
PubMed Abstract | CrossRef Full Text | Google Scholar
10. Malloy KM, Milling LS. Die Wirksamkeit von Ablenkung durch virtuelle Realität zur Schmerzreduktion: eine systematische Überprüfung. Clin Psychol Rev. (2010) 30:1011-8. doi: 10.1016/j.cpr.2010.07.001
PubMed Abstract | CrossRef Full Text | Google Scholar
11. Haag M, Igel C, Fischer MR, Gesellschaft für Medizinische Ausbildung (GMA) „Digitalisierung – technologiegestütztes Lernen und Lehren“ Gemeinsame Arbeitsgruppe „Technologiegestütztes Lehren und Lernen in der Medizin (TeLL)“ der Gesellschaft für Medizinische Informatik Biometrie und Epidemiologie (gmds) und der Gesellschaft für Informatik (GI). Digitale Lehre und digitale Medizin: Eine nationale Initiative ist nötig. GMS J Med Educ. (2018) 35:Doc43. doi: 10.3205/zma001189
PubMed Abstract | CrossRef Full Text | Google Scholar
12. 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. West CP, Dyrbye LN, Shanafelt TD. Physician burnout: contributors, consequences and solutions. J Int Med. (2018) 283:516-29. doi: 10.1111/joim.12752
PubMed Abstract | CrossRef Full Text | Google Scholar
14. Shah NR. Gesundheitsversorgung im Jahr 2030: Wird künstliche Intelligenz den Arzt ersetzen? Ann Int Med. (2019) 170:407-8. doi: 10.7326/M19-0344
PubMed Abstract | CrossRef Full Text | Google Scholar
15. Topol EJ. Hochleistungsmedizin: die Konvergenz von menschlicher und künstlicher Intelligenz. Nat Med. (2019) 25:44-56. doi: 10.1038/s41591-018-0300-7
PubMed Abstract | CrossRef Full Text | Google Scholar
16. Verghese A, Shah NH, Harrington RA. Was dieser Computer braucht, ist ein Arzt: Humanismus und künstliche Intelligenz. JAMA. (2018) 319:19-20. doi: 10.1001/jama.2017.19198
PubMed Abstract | CrossRef Full Text | Google Scholar
17. Price WN, Gerke S, Cohen IG. Potenzielle Haftung für Ärzte, die künstliche Intelligenz einsetzen. JAMA. (2019) 322:1765-6. doi: 10.1001/jama.2019.15064
CrossRef Full Text | Google Scholar
18. Briganti G. Nous Devons Former des Médecins ≪ augmentés ≫. Le Specialiste. (2019) Online verfügbar unter: https://www.lespecialiste.be/fr/debats/nous-devons-former-des-medecins-laquo-nbsp-augmentes-raquo.html (Zugriff am 26. Oktober 2019).
Google Scholar
19. 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. Circulation. (2017) 136:1784-94. doi: 10.1161/CIRCULATIONAHA.117.030583
PubMed Abstract | CrossRef Full Text | Google Scholar
20. 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. 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. Huang Z, Chan TM, Dong W. MACE prediction of acute coronary syndrome via boosted resampling classification using electronic medical records. J Biomed Inform. (2017) 66:161-70. doi: 10.1016/j.jbi.2017.01.001
PubMed Abstract | CrossRef Full Text | Google Scholar
23. 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. Dorado-Díaz PI, Sampedro-Gómez J, Vicente-Palacios V, Sánchez PL. Anwendungen der künstlichen Intelligenz in der Kardiologie. Die Zukunft ist schon da. Revista Española de Cardiología. (2019) 72:1065-75. doi: 10.1016/j.rec.2019.05.014
PubMed Abstract | CrossRef Full Text | Google Scholar
25. 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. Delclaux C. Keine Notwendigkeit für Pulmonologen, Lungenfunktionstests zu interpretieren. Eur Respirat J. (2019) 54:1900829. doi: 10.1183/13993003.00829-2019
PubMed Abstract | CrossRef Full Text | Google Scholar
27. 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. 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. 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. 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 nephropathy more accurately than experienced nephrologists. Nephrol Dialysis, Transplant. (1998) 13:67-71.
PubMed Abstract | Google Scholar
31. Niel O, Bastard P. Artificial intelligence in nephrology: core concepts, clinical applications, and perspectives. Am J Kidney Dis. (2019) 74:803-10. doi: 10.1053/j.ajkd.2019.05.020
PubMed Abstract | CrossRef Full Text | Google Scholar
32. Yang YJ, Bang CS. Anwendung von künstlicher Intelligenz in der Gastroenterologie. World J Gastroenterol. (2019) 25:1666-83. doi: 10.3748/wjg.v25.i14.1666
PubMed Abstract | CrossRef Full Text | Google Scholar
33. Fernández-Esparrach G, Bernal J, López-Cerón M, Córdova H, Sánchez-Montes C, Rodríguez de Miguel C, et al. Untersuchung des klinischen Potenzials einer automatischen Methode zur Erkennung von Kolonpolypen, die auf der Erstellung von Energiekarten basiert. Endoscopy. (2016) 48:837-42. doi: 10.1055/s-0042-108434
PubMed Abstract | CrossRef Full Text | Google Scholar
34. 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. 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. 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. Sato F, Shimada Y, Selaru FM, Shibata D, Maeda M, Watanabe G, et al. Prediction of survival in patients with esophageal carcinoma using artificial neural networks. Cancer. (2005) 103:1596-605. doi: 10.1002/cncr.20938
PubMed Abstract | CrossRef Full Text | Google Scholar
38. 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. 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. Support vector machine-based nomogram predicts postoperative distant metastasis for patients with oesophageal squamous cell carcinoma. Br J Cancer. (2013) 109:1109-16. doi: 10.1038/bjc.2013.379
PubMed Abstract | CrossRef Full Text | Google Scholar
41. Regalia G, Onorati F, Lai M, Caborni C, Picard RW. Multimodale, am Handgelenk getragene Geräte zur Anfallserkennung und zur Förderung der Forschung: Fokus auf die Empatica-Armbänder. Epilep Res. (2019) 153:79-82. doi: 10.1016/j.eplepsyres.2019.02.007
PubMed Abstract | CrossRef Full Text | Google Scholar
42. 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. Dorsey ER, Glidden AM, Holloway MR, Birbeck GL, Schwamm LH. Teleneurologie und mobile Technologien: die Zukunft der neurologischen Versorgung. Nat Rev Neurol. (2018) 14:285-97. doi: 10.1038/nrneurol.2018.31
PubMed Abstract | CrossRef Full Text | Google Scholar
44. 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. 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. Panch T, Mattie H, Celi LA. Die „unbequeme Wahrheit“ über KI im Gesundheitswesen. NPJ Digit Med. (2019) 2:1-3. doi: 10.1038/s41746-019-0155-4
PubMed Abstract | CrossRef Full Text | Google Scholar
47. 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 |Ref Full Text | Google Scholar
48. Mittelstadt B. Ethics of the health-related internet of things: a narrative review. Ethics Informat Technol. (2017) 19:157-75. doi: 10.1007/s10676-017-9426-4
CrossRef Full Text | Google Scholar
49. Williamson JB. Wahrung der Vertraulichkeit und Sicherheit von Gesundheitsinformationen von Patienten. Top Health Informat Manage. (1996) 16:56-60.
PubMed Abstract | Google Scholar
50. Montgomery J. Data sharing and the idea of ownership. New Bioeth Multidiscipl J Biotechnol Body. (2017) 23:81-6. doi: 10.1080/20502877.2017.1314893
PubMed Abstract | CrossRef Full Text | Google Scholar
51. Rodwin MA. The case for public ownership of patient data. JAMA. (2009) 302:86-8. doi: 10.1001/jama.2009.965
PubMed Abstract | Querverweis Volltext | Google Scholar
52. Mikk KA, Sleeper HA, Topol EJ. Der Weg zum Eigentum an Patientendaten und zu einer besseren Gesundheit. JAMA. (2017) 318:1433-4. doi: 10.1001/jama.2017.12145
PubMed Abstract | CrossRef Full Text | Google Scholar
53. Brouillette M. AI added to the curriculum for doctors-to-be. Nat Med. (2019). 25:1808-9. doi: 10.1038/s41591-019-0648-3
PubMed Abstract | CrossRef Full Text | Google Scholar
54. Acampora G, Cook DJ, Rashidi P, Vasilakos AV. A survey on ambient intelligence in health care. Proc IEEE Inst Elect Electron Eng. (2013) 101:2470-94. doi: 10.1109/JPROC.2013.2262913
PubMed Abstract | CrossRef Full Text | Google Scholar
Schreibe einen Kommentar