Frontiers in Medicine

Introduction

Käsitettä ”lääketieteellinen teknologia” käytetään laajalti käsittelemään erilaisia välineitä, joiden avulla terveydenhuollon ammattilaiset voivat tarjota potilaille ja yhteiskunnalle paremman elämänlaadun tekemällä varhaisia diagnooseja, vähentämällä komplikaatioita, optimoimalla hoitoa ja/tai tarjoamalla vähemmän invasiivisia vaihtoehtoja sekä lyhentämällä sairaalahoitoaikaa. Ennen mobiilia aikakautta lääketieteellinen teknologia tunnettiin pääasiassa klassisina lääkinnällisinä laitteina (esim. proteesit, stentit, implantit), mutta älypuhelinten, puettavien laitteiden, antureiden ja viestintäjärjestelmien ilmaantuminen on mullistanut lääketieteen, sillä ne kykenevät sisältämään tekoälyllä (AI) toimivia työkaluja (kuten sovelluksia) hyvin pienessä koossa (1). Tekoäly on mullistanut lääketieteelliset teknologiat, ja se voidaan yleisesti ymmärtää tietotekniikan osa-alueeksi, joka pystyy käsittelemään monimutkaisia ongelmia, joilla on monia sovelluksia aloilla, joilla on valtava määrä dataa mutta vähän teoriaa (2).

Älykkäät lääketieteelliset teknologiat (ts, AI-powered) on otettu innostuneesti vastaan suuren yleisön keskuudessa osittain siksi, että se mahdollistaa lääketieteen 4P-mallin (Predictive, Preventive, Personalized ja Participatory) ja siten potilaan autonomian tavoilla, jotka eivät ole aiemmin olleet mahdollisia (3). Älypuhelimista on tulossa esimerkiksi väline, jonka avulla voidaan täyttää ja jakaa sähköistä henkilökohtaista terveyskertomusta (4), valvoa elintärkeitä toimintoja bioantureiden avulla (5) ja auttaa saavuttamaan optimaalisen hoitomyöntyvyyden (6), jolloin potilas saa paikan hoidon tärkeimpänä toimijana hoidon tiellä. Älykkään lääketieteellisen teknologian kehittäminen mahdollistaa uuden lääketieteen alan kehittymisen: lisätyn lääketieteen eli uuden lääketieteellisen teknologian käytön kliinisen käytännön eri osa-alueiden parantamiseksi. Elintarvike- ja lääkevirasto (FDA) on viime vuosikymmenen aikana hyväksynyt useita tekoälyyn perustuvia algoritmeja, joten niitä voitaisiin ottaa käyttöön. Lisätty lääketiede ei ole mahdollista ainoastaan tekoälyyn perustuvien teknologioiden avulla, vaan myös useiden muiden digitaalisten välineiden avulla, kuten kirurgisten navigointijärjestelmien avulla tietokoneavusteisessa kirurgiassa (7), virtuaalitodellisuuden jatkumotyökalujen avulla kirurgiassa, kivunhoidossa ja psykiatrisissa häiriöissä (8-10).

Vaikka lisääntynyt lääketiede näyttäisikin menestyvän potilaiden parissa, terveydenhuollon ammattihenkilöstö, erityisesti lääkärit, voivat suhtautua siihen tietyllä tavalla vastahakoisesti: tämän ilmiön osalta on esitettävä neljä laajasti keskusteltua syytä tähän. Ensinnäkin valmistautumattomuus digitaalisen lääketieteen mahdollisuuksiin johtuu ilmeisestä perus- ja jatkokoulutuksen puutteesta tällä alalla (11). Toiseksi terveydenhuoltoprosessien varhainen digitalisointi, joka on hyvin erilainen kuin lisääntyneen lääketieteen lupaus, toi mukanaan lähinnä sähköisiin terveyskertomuksiin liittyvän hallinnollisen taakan jyrkän kasvun (12), joka on tullut tunnetuksi yhtenä lääkärin loppuunpalamisen tärkeimmistä osatekijöistä (13). Kolmanneksi on lisääntynyt pelko siitä, että tekoäly saattaa korvata lääkärit (14), vaikka kirjallisuudessa nykyisin vallitsevan mielipiteen mukaan tekoäly täydentää tulevaisuudessa lääkärien älykkyyttä (15, 16). Neljänneksi, koska tällä hetkellä maailmanlaajuisesti ei ole olemassa oikeudellista kehystä, jossa määriteltäisiin vastuun käsite algoritmisuositusten hyväksymisen tai hylkäämisen yhteydessä, lääkäri on alttiina mahdollisille oikeudellisille seurauksille tekoälyä käytettäessä (17).

Digitaalilääketieteen koulutuksen puutteen vuoksi useat yksityiset lääketieteelliset korkeakoulut valmistavat tulevia johtavia lääkäreitään lisääntyneen lääketieteen haasteeseen liittämällä lääketieteen opintokokonaisuuden insinööritieteiden opintokokonaisuuksiin tai ottamalla käyttöön digitaalisen terveydenhuollon lukutaitoa ja sen käyttöä päivitetyssä opinto-ohjelmassa (18).

Tämän asiakirjan tavoitteena on tehdä yhteenveto tekoälyn viimeaikaisesta kehityksestä lääketieteessä, esittää tärkeimmät käyttötapaukset, joissa tekoälyyn perustuvaa lääketieteellistä teknologiaa voidaan jo käyttää kliinisessä käytännössä, sekä näkökulmia haasteisiin ja riskeihin, joita terveydenhuollon ammattihenkilöt ja laitokset kohtaavat pannessaan täytäntöön laajennettua lääketiedettä sekä kliinisessä käytännössään että tulevien lääketieteellisten johtajien koulutuksessa.

Tekoälyn nykysovellukset lääketieteessä

2.1. Tekoälyä lääketieteen sovelluksissa Kardiologia

2.1.1. Eteisvärinä

Eteisvärinän varhainen havaitseminen oli yksi ensimmäisistä tekoälyn sovelluksista lääketieteessä. AliveCor sai FDA:n hyväksynnän vuonna 2014 Kardia-mobiilisovellukselleen, joka mahdollistaa älypuhelinpohjaisen EKG-seurannan ja eteisvärinän havaitsemisen. Äskettäinen REHEARSE-AF-tutkimus (19) osoitti, että etäkäyttöinen EKG-seuranta Kardian avulla avohoitopotilailla tunnistaa eteisvärinän todennäköisemmin kuin rutiinihoito. Myös Apple sai FDA:n hyväksynnän Apple Watch 4 -kellolleen, joka mahdollistaa helpon EKG:n ottamisen ja eteisvärinän havaitsemisen, joka voidaan jakaa haluamalleen lääkärille älypuhelimen kautta (20). Käytettäviin ja kannettaviin EKG-teknologioihin on kohdistettu useita kritiikkejä (21), joissa korostetaan niiden käytön rajoituksia, kuten liikkeestä johtuvien artefaktien aiheuttamia vääriä positiivisia tuloksia, ja esteitä, jotka haittaavat käytettävän teknologian käyttöönottoa iäkkäillä potilailla, joilla on todennäköisemmin eteisvärinää.

2.1.2.2. EKG-teknologian käyttö ja käyttö Sydän- ja verisuonitautiriski

Sovellettuna sähköisiin potilastietoihin tekoälyä on käytetty ennustamaan sydän- ja verisuonitautien riskiä, esimerkiksi akuuttia sepelvaltimotautioireyhtymää (22) ja sydämen vajaatoimintaa (23) perinteisiä asteikkoja paremmin. Viimeaikaisissa kattavissa katsauksissa (24) on kuitenkin kerrottu, miten tulokset voivat vaihdella riippuen tutkimusraportissa käytetystä otoskooksi

2.2. Keuhkolääketiede

Keuhkojen toimintakokeiden tulkinta on raportoitu lupaavaksi alaksi tekoälysovellusten kehittämiselle keuhkolääketieteessä. Tuoreessa tutkimuksessa (25) raportoitiin, miten tekoälyyn perustuva ohjelmisto tarjoaa tarkemman tulkinnan ja toimii päätöksenteon tukivälineenä keuhkojen toimintakokeiden tulosten tulkinnassa. Tutkimus sai useita kritiikkejä, joista yhdessä (26) raportoitiin, kuinka tutkimukseen osallistuneiden keuhkolääkäreiden tarkkojen diagnoosien osuus oli huomattavasti alhaisempi kuin maassa keskimäärin

2.3. Endokrinologia

Jatkuvan glukoosiseurannan avulla diabetesta sairastavat potilaat voivat tarkastella reaaliaikaisia interstitiaalisia glukoosilukemia ja saada tietoa verensokeriarvojen muutossuunnasta ja -nopeudesta (27) Medtronic sai FDA:n hyväksynnän älypuhelimella varustetulle Guardian-järjestelmälleen glukoosiseurantaan (28). Vuonna 2018 yritys teki yhteistyötä Watsonin (IBM:n kehittämä tekoäly) kanssa Sugar.IQ-järjestelmäänsä varten auttaakseen asiakkaitaan ehkäisemään paremmin hypoglykemiajaksoja toistuvien mittausten perusteella. Jatkuva verensokerin seuranta voi antaa potilaille mahdollisuuden optimoida verensokerin hallintaa ja vähentää hypoglykemiajaksoihin liittyvää leimautumista; potilaskokemuksiin glukoosiseurannasta keskittyvässä tutkimuksessa kerrottiin kuitenkin, että vaikka osallistujat ilmaisivat luottamusta ilmoituksiin, he ilmoittivat myös tuntevansa henkilökohtaista epäonnistumista glukoositason säätelyssä (27).

2.4. Jatkuva verensokerin seuranta. Nefrologia

Tekoälyä on sovellettu useissa kliinisen nefrologian tilanteissa. Se on esimerkiksi osoittautunut hyödylliseksi ennustettaessa glomerulussuodatusnopeuden laskua potilailla, joilla on polykystinen munuaistauti (29), ja määritettäessä etenevän IgA-nefropatian riskiä (30). Tuoreessa katsauksessa kerrotaan kuitenkin, kuinka tällä hetkellä tutkimusta rajoittaa päätelmien tekemiseen tarvittava otoskoko (31).

2.5. Gastroenterologia

Gastroenterologian erikoisala hyötyy monenlaisista tekoälysovelluksista kliinisissä tilanteissa. Gastroenterologit käyttivät muiden syväoppimismallien joukossa konvoluutio-neuraaliverkkoja endoskopia- ja ultraäänikuvien käsittelyyn (32) ja epänormaalien rakenteiden, kuten paksusuolen polyyppien, havaitsemiseen (33). Keinotekoisia neuroverkkoja on käytetty myös gastroesofageaalisen refluksitaudin (34) ja atrofisen gastriitin (35) diagnosointiin sekä ennustamaan tuloksia ruoansulatuskanavan verenvuodoissa (36), ruokatorven syövän eloonjäämisessä (37), tulehduksellisessa suolistosairaudessa (38) ja etäpesäkkeiden muodostumisessa paksusuolen syövässä (39) ja ruokatorven levyepiteelisolusyövän etäpesäkkeissä (40).

2.6. Neurologia

2.6.1. Epilepsia

Älykkäät kouristuskohtausten havaitsemislaitteet ovat lupaavia teknologioita, joilla on mahdollisuus parantaa kouristuskohtausten hallintaa pysyvän ambulatorisen seurannan avulla. Empatica sai FDA:n hyväksynnän vuonna 2018 puettavalle Embrace-laitteelleen, joka yhdistettynä elektrodermaalisiin kiinnittimiin voi havaita yleistyneet epilepsiakohtaukset ja raportoida niistä mobiilisovellukseen, joka pystyy hälyttämään lähisukulaisia ja luotettavaa lääkäriä täydentävillä tiedoilla potilaan paikannuksesta (41). Potilaskokemuksiin keskittyvässä raportissa kävi ilmi, että toisin kuin sydänseurantaan tarkoitetuilla puettavilla laitteilla, epilepsiapotilailla ei ollut esteitä kohtausten havaitsemislaitteiden käyttöönotolle, ja he ilmoittivat olevansa erittäin kiinnostuneita puettavien laitteiden käytöstä (42).

2.6.2. Kävelyn, asennon ja vapinan arviointi

Kannettavat anturit ovat osoittautuneet hyödyllisiksi kävelyn, asennon ja vapinan kvantitatiivisessa arvioinnissa multippeliskleroosia, Parkinsonin tautia, parkinsonismia ja Huntingtonin tautia sairastavilla potilailla (43).

2.7. Syövän laskennallinen diagnosointi histopatologiassa

Paige.ai on saanut FDA:lta läpimurtoaseman tekoälyyn perustuvalle algoritmille, joka pystyy diagnosoimaan syövän laskennallisessa histopatologiassa suurella tarkkuudella, jolloin patologi saa aikaa keskittyä tärkeisiin dioihin (44).

2.8. Lääketieteellinen kuvantaminen ja tekoälypohjaisten teknologioiden validointi

Kauan odotetussa meta-analyysissä verrattiin syväoppimisohjelmistojen ja radiologien suorituskykyä kuvantamiseen perustuvassa diagnosoinnissa (45): vaikka syväoppiminen näyttää olevan yhtä tehokasta kuin radiologin diagnosointi, kirjoittajat huomauttivat, että 99 %:ssa tutkimuksista ei todettu olevan luotettavaa suunnittelua; lisäksi vain tuhannesosassa tarkastelluista artikkeleista validoitiin tulokset antamalla algoritmien diagnosoida toisista lähteistä tulevia lääketieteellisiä kuvantamisia. Nämä havainnot tukevat sitä, että tekoälypohjaiset teknologiat on validoitava laajasti tiukkojen kliinisten tutkimusten avulla (5).

Keskustelu: Tekoälyn haasteet ja tulevaisuuden suuntaviivat lääketieteessä

3.1. Tekoälyyn perustuvien teknologioiden validointi: Kohti replikointikriisiä?

Yksi tekoälyn soveltamisen keskeisistä haasteista lääketieteessä lähivuosina on äskettäin kehitettyjen keskeisten käsitteiden ja työkalujen kliininen validointi. Vaikka monet tutkimukset ovat jo esitelleet tekoälyn hyötyjä, joilla on lupaaviin tuloksiin perustuvia selkeitä mahdollisuuksia, useat tekoälytutkimusten hyvin tunnetut ja usein raportoidut rajoitukset todennäköisesti vaikeuttavat tällaista validointia. Käsittelemme täten kolmea tällaista rajoitusta ja tarjoamme mahdollisia keinoja niiden voittamiseksi.

Ensiksi, suurimmassa osassa tutkimuksista, joissa verrataan tekoälyn ja kliinisten lääkäreiden tehokkuutta, on todettu, että ne on suunniteltu epäluotettavasti ja että niistä tiedetään puuttuvan primaarinen replikointi eli kehitettyjen algoritmien validointi näytteissä, jotka ovat peräisin muista lähteistä kuin algoritmien kouluttamiseen käytetyistä näytteistä (45). Tämä ongelma voitaisiin ratkaista avoimen tieteen aikakaudella, sillä avoin data ja avoimet menetelmät saavat varmasti yhä enemmän huomiota tutkimuksen parhaina käytäntöinä. Siirtyminen avoimeen tieteeseen voi kuitenkin osoittautua vaikeaksi lääketieteellisen tekoälyn yrityksille, jotka kehittävät ohjelmistoja ydinliiketoimintanaan.

Toiseksi, tutkimusten, joissa raportoidaan tekoälyn soveltamisesta kliinisessä käytännössä, tiedetään olevan rajallisia retrospektiivisten suunnitelmien ja otoskokojen vuoksi; tällaisiin suunnitelmiin saattaa sisältyä valinta- ja spektriharhaa, eli malleja kehitetään siten, että ne sopivat parhaalla mahdollisella tavalla tiettyyn tietokokonaisuuteen (ilmiö tunnetaan myös nimellä ”ylisovittaminen” (overfitting)), mutta samoja tuloksia ei pystytä toistamaan toisissa tietokokonaisuuksissa (32). Jatkuva uudelleenarviointi ja kalibrointi sen jälkeen, kun on otettu käyttöön algoritmeja, joiden epäillään sopeutuvan liikaa, olisi tarpeen, jotta ohjelmistot voidaan mukauttaa potilasdemografian vaihteluun (46). Lisäksi ollaan yhä yksimielisempiä tarpeesta kehittää algoritmeja, jotka on suunniteltu sopimaan laajempiin yhteisöihin ja ottamaan samalla huomioon alaryhmät (47).

Kolmanneksi tiedetään vain muutamia tutkimuksia, joissa verrataan tekoälyä ja lääkäreitä samoihin tietokokonaisuuksiin perustuvien tietojen perusteella; siinäkin skenaariossa on esitetty kritiikkiä siitä, että diagnoositarkkuusaste on alhaisempi kuin mitä odotetaan erikoislääkäreiltä. (26). Tekoälyn ja kliinikkojen vastakkainasettelu on, vaikka se on hyvin edustettuna tieteellisessä kirjallisuudessa, luultavasti ei ole paras tapa käsitellä kysymystä lääketieteellisen asiantuntijuuden suorituskyvystä: useat tutkimukset lähestyvät nyt kliinikkojen ja algoritmien vuorovaikutusta (47), sillä ihmisen ja tekoälyn yhdistelmä päihittää kummankaan yksinään.

3.2. Tekoälyn ja algoritmien vuorovaikutus. Jatkuvan seurannan eettiset vaikutukset

Lääketieteellinen teknologia on yksi 2000-luvun lupaavimmista markkinoista, ja sen arvioitu markkina-arvo lähestyy nopeasti tuhatta miljardia dollaria vuonna 2019. Yhä suurempi osa tuloista johtuu lääkinnällisten laitteiden (kuten sydämen seurantalaitteiden) vähittäismyynnistä nuoremmalle väestölle, joka ei ole ensisijainen kohdekuluttajaprofiili (koska eteisvärinän kaltaisten terveysongelmien ilmaantuminen on epätodennäköisempää). Tämän ilmiön vuoksi esineiden internet (Internet of Things, IoT) on määrittelemässä uudelleen terveen yksilön käsitteen yhdistelmänä, jossa yhdistyvät kvantifioitu minuus (älypuhelimeen tai puettavaan laitteeseen koodatut henkilökohtaiset indikaattorit) ja joukko elämäntapaan liittyviä, puettavan laitteen tarjoamia parametreja (aktiivisuuden seuranta, painonhallinta jne.).

Lisäksi useat puettavia laitteita valmistavat yritykset ovat parin viimeisen vuoden aikana tehneet merkittäviä sopimuksia vakuutusyhtiöiden tai hallitusten kanssa näiden tuotteiden laajamittaisesta jakelusta: tällaisten aloitteiden tarkoituksena on pääasiassa saada aikaan elämäntapamuutos suurissa väestöryhmissä. Samalla kun länsimaissa ollaan edelleen kehittymässä kohti terveydenhuoltojärjestelmiä, joiden keskiössä on potilaan yksilöllinen vastuu omasta terveydestään ja hyvinvoinnistaan, keskustellaan usein esineiden internetin välityksellä lääketieteellisten laitteiden avulla tapahtuvan jatkuvan lääketieteellisen seurannan eettisistä vaikutuksista. Jatkuva seuranta ja yksityisyyden suojan loukkaukset voivat esimerkiksi lisätä kroonisesti sairaiden tai muita heikommassa asemassa olevien kansalaisten leimautumista (48) ja mahdollisesti rangaista niitä kansalaisia, jotka eivät kykene omaksumaan uusia terveellisiä elämäntapoja koskevia normeja, esimerkiksi heikentämällä sairausvakuutuksen ja hoidon saatavuutta; näistä potentiaalisista ja ratkaisevista sudenkuopista ei ole käyty juuri lainkaan keskustelua terveyspoliittisessa päätöksenteossa.

Näissä teknis-poliittisissa puitteissa tietosuojaan ja -omistajuuteen liittyvästä kysymyksestä tulee yhä tärkeämpi asia, vaikkakin se on jo yli kaksi vuosikymmentä vanha kysymys (49). Kirjallisuudessa kuvataan useita asenteita tietojen omistusoikeutta kohtaan: vaikka joissakin teoksissa puolustetaan potilaiden tietojen yhteistä omistusoikeutta, jotta voitaisiin hyötyä yksilöllistetyn lääketieteen lähestymistavoista (50, 51), yksimielisyys on siirtymässä potilaan omistusoikeuden puolelle, koska sillä on myönteisiä vaikutuksia potilaan sitoutumiseen ja koska se voi parantaa tietojen jakamista, jos potilaan ja terveydenhuollon ammattilaisten välillä laaditaan tietojen käyttöä koskeva sopimus (52).

3.3. Tarve kouluttaa lisättyjä lääkäreitä

Monet yliopistot ovat alkaneet luoda uusia lääketieteen opintosuunnitelmia, mukaan lukien tohtori-insinööri (18), vastatakseen tarpeeseen kouluttaa tulevia lääketieteen johtajia vastaamaan tekoälyn tuomiin haasteisiin lääketieteessä (53). Tällaisissa opetussuunnitelmissa kiinnitetään enemmän huomiota koviin luonnontieteisiin (kuten fysiikkaan ja matematiikkaan) ja lisätään tietojenkäsittelytieteen, koodauksen, algoritmiikan ja mekatroniikan opintoja. Nämä ”lisätyt lääkärit” luottaisivat sekä kliiniseen kokemukseen että digitaaliseen asiantuntemukseen ratkaistakseen nykyaikaisia terveysongelmia, osallistuakseen terveydenhuoltolaitosten digitaalisten strategioiden määrittelyyn, hallitakseen digitaalista siirtymävaihetta, kouluttaakseen potilaita ja kollegoita.

Yhteiskunta sekä terveydenhuoltolaitokset voisivat hyötyä näistä ammattilaisista turvaverkkona kaikille prosesseille, mukaan luettuna tekoäly lääketiedealalla, mutta myös innovaation ja tutkimuksen vauhdittajina. Lääketieteellisen peruskoulutuksen lisäksi on tarpeen toteuttaa digitaalista lääketiedettä koskevia jatkuvia koulutusohjelmia, jotka on suunnattu valmistuneille lääkäreille, jotta uudelleenkoulutus tällä kasvavalla alalla olisi mahdollista. Useimmissa maailman huippusairaaloissa tällaiset asiantuntijat ovat saaneet tehtäväkseen Chief Medical Information Officer (CMIO) -tehtävän

3.4. Kliinisen älykkyyden lupaus: Avoiding Dehumanization by Technology

Kuten useissa tutkimuksissa on raportoitu (12, 13), sähköiset terveyskertomukset voivat olla merkittävä hallinnollinen taakka ja burnoutin lähde, ilmiö, jota esiintyy yhä useammin sekä koulutetuilla että koulutetuilla lääkäreillä. Vaikka tekoälyratkaisut, kuten luonnollisen kielen prosessointi, pystyvät yhä paremmin auttamaan lääkäriä toimittamaan täydelliset sairauskertomukset, tarvitaan lisäratkaisuja, jotta voidaan ratkaista epäsuoraan potilashoitoon käytettävän ajan lisääntyminen.

Ambientti kliininen älykkyys (ACI, ambient clinical intelligence) ymmärretään lääkärin ja potilaan ympärillä olevana herkkänä, sopeutuvana ja herkästi reagoivana digitaalisena ympäristönä (54), joka pystyy esimerkiksi analysoimaan haastattelun ja täyttämään potilaan sähköiset sairauskertomukset automaattisesti. Käynnissä on useita hankkeita ACI:n kehittämiseksi, mikä olisi ratkaisevan tärkeä tekoälyn sovellus lääketieteessä, ja sitä tarvittaisiin kipeästi nykyaikaisten lääkärityövoimaan liittyvien ongelmien ratkaisemiseksi.

Yksi suurista esteistä älykkään lääketieteellisen teknologian käyttöönotolle lääkäreiden keskuudessa on pelko lääketieteen epäinhimillistymisestä. Tämä johtuu pääasiassa lääkäreiden kasvavasta hallinnollisesta taakasta (12). Nykyaikainen teknologia, kuten ACI ja luonnollisen kielen käsittely, ratkaisevat kuitenkin varmasti hallinnollisen taakan ongelman ja auttavat lääkäreitä keskittymään enemmän potilaaseen.

3.5. Korvataanko lääkärit tekoälyllä?

Kuten kirjallisuudessa on hiljattain käsitelty (15, 16), lääkäreitä ei todennäköisesti korvata tekoälyllä: älykäs lääketieteellinen teknologia on olemassa sellaisenaan lääkärin tukena potilaan hoidon parantamiseksi. Kuten viimeaikaiset tutkimukset ovat osoittaneet (45), tekoälyratkaisuja ja lääkäreitä verrataan kuitenkin usein toisiinsa ikään kuin nämä kaksi vastinetta kilpailisivat keskenään. Tulevissa tutkimuksissa olisi keskityttävä vertailemaan tekoälyratkaisuja käyttäviä lääkäreitä lääkäreihin, jotka eivät käytä tällaisia sovelluksia, ja laajennettava nämä vertailut koskemaan myös translaatiotutkimuksia; vasta sitten tekoäly hyväksytään lääkäreitä täydentävänä tekijänä. Terveydenhuollon ammattilaiset ovat nykyään etuoikeutetussa asemassa, jotta he voivat ottaa vastaan digitaalisen kehityksen ja toimia muutoksen tärkeimpinä vetureina, vaikka lääketieteellistä koulutusta on tarkistettava perusteellisesti, jotta tuleville johtajille voidaan antaa tähän tarvittavat valmiudet.

Johtopäätökset

Tekoälykkyyden käyttöönotto kliinisessä toiminnassa on lupaava kehitysalue, joka kehittyy nopeasti muiden nykyaikaisten täsmälääketieteen, genomiikan ja etäkonsultaatioiden kanssa. Vaikka tieteellisen kehityksen olisi pysyttävä tiukkana ja läpinäkyvänä kehitettäessä uusia ratkaisuja nykyaikaisen terveydenhuollon parantamiseksi, terveyspolitiikassa olisi nyt keskityttävä käsittelemään eettisiä ja taloudellisia kysymyksiä, jotka liittyvät tähän lääketieteen evoluution kulmakiveen.

Tekijöiden panos

Kaikki luetellut kirjoittajat ovat antaneet merkittävän, suoran ja älyllisen panoksensa työhön ja hyväksyneet sen julkaistavaksi.

Interressiristiriita

Tekijät ilmoittavat, että tutkimus on tehty ilman kaupallisia tai taloudellisia suhteita, jotka voitaisiin tulkita mahdolliseksi eturistiriidaksi.