Frontiers in Medicine
On október 30, 2021 by adminIntroduction
Az “orvosi technológia” kifejezést széles körben használják olyan eszközökre, amelyek lehetővé teszik az egészségügyi szakemberek számára, hogy a korai diagnózisok elvégzése, a szövődmények csökkentése, a kezelés optimalizálása és/vagy kevésbé invazív lehetőségek biztosítása, valamint a kórházi tartózkodás időtartamának csökkentése révén jobb életminőséget biztosítsanak a betegek és a társadalom számára. Míg a mobilkorszak előtt az orvosi technológiák elsősorban klasszikus orvosi eszközökként (pl. protézisek, sztentek, implantátumok) voltak ismertek, az okostelefonok, a viselhető eszközök, az érzékelők és a kommunikációs rendszerek megjelenése forradalmasította az orvostudományt, mivel nagyon kis méretben képesek mesterséges intelligenciával (AI) működő eszközöket (például alkalmazásokat) tartalmazni (1). A mesterséges intelligencia forradalmasította az orvosi technológiákat, és általában az informatika azon részeként értelmezhető, amely képes komplex problémákat kezelni, számos alkalmazással olyan területeken, ahol hatalmas mennyiségű adat, de kevés az elmélet (2).
Az intelligens orvosi technológiák (ill, AI-alapú) lelkesedéssel fogadták a lakosság körében, részben azért, mert lehetővé teszi az orvoslás 4P-modelljét (Predictive, Preventive, Personalized, Participatory) és ezáltal a beteg autonómiáját, olyan módon, ahogyan az eddig nem volt lehetséges (3); az okostelefonok például az elektronikus személyes egészségügyi nyilvántartás kitöltésére és terjesztésére (4), a létfontosságú funkciók bioszenzorokkal történő monitorozására (5) és az optimális terápiás compliance elérésének elősegítésére (6) válnak, így a beteg az ellátási folyamat főszereplőjévé válik. Az intelligens orvosi technológiák fejlődése lehetővé teszi egy új terület kialakulását az orvostudományban: a kiterjesztett orvoslás, azaz az új orvosi technológiák alkalmazása a klinikai gyakorlat különböző aspektusainak javítására. Az elmúlt évtizedben számos AI-alapú algoritmust hagyott jóvá az Élelmiszer- és Gyógyszerügyi Hivatal (FDA), így azok bevezethetők. A kiterjesztett orvoslást nemcsak az AI-alapú technológiák teszik lehetővé, hanem számos más digitális eszköz is, mint például a sebészeti navigációs rendszerek a számítógéppel támogatott sebészethez (7), a virtuális valóság kontinuum eszközei a sebészethez, a fájdalomkezeléshez és a pszichiátriai rendellenességekhez (8-10).
Noha a kiterjesztett orvoslás területe a jelek szerint sikerrel találkozik a betegek körében, az egészségügyi szakemberek, különösen az orvosok részéről bizonyos ellenállásba ütközhet: e jelenséggel kapcsolatban négy, széles körben megvitatott okot kell megadni. Először is, a digitális orvoslásban rejlő lehetőségekkel kapcsolatos felkészületlenség az e tudományággal kapcsolatos alap- és továbbképzés nyilvánvaló hiányának tudható be (11). Másodszor, az egészségügyi folyamatok korai digitalizálása, amely nagyban különbözik a kiterjesztett orvoslás ígéretétől, a főként az elektronikus egészségügyi nyilvántartásokhoz kapcsolódó adminisztratív terhek meredek növekedésével járt együtt (12), amely az orvosok kiégésének egyik fő összetevőjeként vált ismertté (13). Harmadszor, egyre többen tartanak attól, hogy a mesterséges intelligencia felváltja az orvosokat (14), bár a szakirodalomban jelenleg az a vélemény uralkodik, hogy a mesterséges intelligencia a jövőben kiegészíti az orvosok intelligenciáját (15, 16). Negyedszer, mivel jelenleg világszerte hiányzik egy olyan jogi keret, amely meghatározza a felelősség fogalmát az algoritmusok ajánlásainak elfogadása vagy elutasítása esetén, az orvos ki van téve a lehetséges jogi következményeknek az AI alkalmazása során (17).
A digitális orvoslás oktatásának hiánya miatt számos magán orvosi iskola készíti fel a jövő orvosi vezetőit a kiterjesztett orvoslás kihívására, vagy az orvosi tanterv és a mérnöki tanterv összekapcsolásával, vagy a digitális egészségügyi ismeretek és használat bevezetésével egy korszerűsített tantervben (18).
Az írás célja, hogy összefoglalja a mesterséges intelligencia legújabb fejlesztéseit az orvostudományban, bemutassa azokat a főbb felhasználási eseteket, ahol a mesterséges intelligenciával támogatott orvosi technológiák már most is alkalmazhatók a klinikai gyakorlatban, és perspektívákat adjon azokról a kihívásokról és kockázatokról, amelyekkel az egészségügyi szakemberek és intézmények szembesülnek a kiterjesztett orvoslás bevezetése során, mind a klinikai gyakorlatban, mind a jövő orvosi vezetőinek oktatásában.
A mesterséges intelligencia jelenlegi alkalmazásai az orvostudományban
2.1. A mesterséges intelligencia alkalmazása az orvostudományban. Kardiológia
2.1.1. Pitvarfibrilláció
A pitvarfibrilláció korai felismerése volt a mesterséges intelligencia egyik első alkalmazása az orvostudományban. Az AliveCor 2014-ben megkapta az FDA jóváhagyását a Kardia nevű mobilalkalmazására, amely lehetővé teszi a pitvarfibrilláció okostelefon-alapú EKG-monitorozását és felismerését. A nemrégiben végzett REHEARSE-AF vizsgálat (19) kimutatta, hogy az ambuláns betegeknél a Kardia segítségével végzett távoli EKG-monitorozás nagyobb valószínűséggel azonosítja a pitvarfibrillációt, mint a rutinellátás. Az Apple is megkapta az FDA jóváhagyását az Apple Watch 4 készülékére, amely lehetővé teszi az EKG egyszerű felvételét és a pitvarfibrilláció kimutatását, amelyet okostelefonon keresztül meg lehet osztani a választott kezelőorvossal (20). A viselhető és hordozható EKG-technológiákkal kapcsolatban számos kritikát fogalmaztak meg (21), kiemelve használatuk korlátait, mint például a mozgási artefaktumokból eredő hamis pozitív arányt, valamint a viselhető technológia elfogadásának akadályait az idős betegeknél, akiknél nagyobb valószínűséggel fordul elő pitvarfibrilláció.
2.1.2. A hordozható EKG-technológiával kapcsolatos kritikák. Kardiovaszkuláris kockázat
A mesterséges intelligenciát elektronikus betegnyilvántartásokra alkalmazva a hagyományos skáláknál jobban előre jelezték a szív- és érrendszeri betegségek, például az akut koszorúér-szindróma (22) és a szívelégtelenség (23) kockázatát. A közelmúltban készült átfogó áttekintések (24) azonban arról számoltak be, hogy az eredmények a kutatási jelentésben használt minta nagyságától függően változhatnak.
2.2. Az AI. Tüdőgyógyászat
A tüdőfunkciós tesztek értelmezéséről a tüdőgyógyászatban az AI-alkalmazások fejlesztésének ígéretes területeként számoltak be. Egy nemrégiben készült tanulmány (25) arról számolt be, hogy az AI-alapú szoftverek hogyan biztosítanak pontosabb értelmezést és szolgálnak döntéstámogató eszközként a tüdőfunkciós tesztek eredményeinek értelmezése esetén. A tanulmány több kritikát is kapott, amelyek közül az egyik (26) arról számolt be, hogy a vizsgálatban részt vevő pulmonológusoknál a pontos diagnózisok aránya jelentősen alacsonyabb volt, mint az országos átlag
2,3. Endokrinológia
A folyamatos glükózmonitorozás lehetővé teszi a cukorbetegek számára, hogy valós idejű intersticiális glükózértékeket lássanak, és információt szolgáltasson a vércukorszint változásának irányáról és üteméről (27) A Medtronic megkapta az FDA jóváhagyását a Guardian nevű, okostelefonra csatlakoztatható glükózmonitorozó rendszerére (28). 2018-ban a vállalat partnerségre lépett a Watsonnal (az IBM által kifejlesztett mesterséges intelligencia) a Sugar.IQ rendszerükhöz, hogy segítsen ügyfeleinek jobban megelőzni a hipoglikémiás epizódokat az ismételt mérések alapján. A folyamatos vércukorszint-monitorozás lehetővé teheti a betegek számára a vércukorszint-szabályozás optimalizálását és a hipoglikémiás epizódokkal kapcsolatos stigmatizáció csökkentését; egy, a betegek vércukorszint-monitorozással kapcsolatos tapasztalataira összpontosító tanulmány azonban arról számolt be, hogy a résztvevők, miközben bizalmukat fejezték ki az értesítésekkel kapcsolatban, a vércukorszint szabályozásában való személyes kudarc érzéséről is nyilatkoztak (27).
2.4. A vércukorszint-monitorozással kapcsolatos tapasztalatok. Nefrológia
A mesterséges intelligenciát a klinikai nefrológia számos területén alkalmazták már. Például hasznosnak bizonyult a glomeruláris filtrációs ráta csökkenésének előrejelzésére policisztás vesebetegségben szenvedő betegeknél (29), valamint a progresszív IgA nefropátia kockázatának megállapítására (30). Egy nemrégiben megjelent áttekintés azonban arról számol be, hogy jelenleg a kutatásokat korlátozza a következtetéshez szükséges mintanagyság (31).
2.5. Gasztroenterológia
A gasztroenterológia szakterülete a klinikai környezetben a mesterséges intelligencia széles körű alkalmazásából profitál. A gasztroenterológusok más mélytanulási modellek mellett konvolúciós neurális hálózatokat használtak az endoszkópiából és ultrahangból származó képek feldolgozásához (32) és az olyan rendellenes struktúrák, mint a vastagbélpolipok felismeréséhez (33). Mesterséges neurális hálózatokat használtak a gastrooesophagealis reflux betegség (34) és az atrófiás gastritis (35) diagnosztizálására, valamint a gasztrointesztinális vérzés (36), a nyelőcsőrák (37), a gyulladásos bélbetegség (38) és a kolorektális rák (39) és a nyelőcső laphámrák (40) metasztázisának előrejelzésére is.
2.6. Neurológia
2.6.1. Epilepszia
Az intelligens rohamérzékelő eszközök olyan ígéretes technológiák, amelyek az állandó ambuláns monitorozás révén javíthatják a rohamok kezelését. Az Empatica 2018-ban kapta meg az FDA jóváhagyását a viselhető Embrace készülékére, amely az elektrodermális rögzítőkkel társítva képes felismerni a generalizált epilepsziás rohamokat és jelentést tenni egy mobilalkalmazásnak, amely képes figyelmeztetni a közeli hozzátartozókat és a megbízott orvost a beteg lokalizációjára vonatkozó kiegészítő információkkal (41). Egy, a betegek tapasztalataira összpontosító jelentésből kiderült, hogy a szívmonitorozó viselhető eszközökkel ellentétben az epilepsziában szenvedő betegek számára nem jelentenek akadályt a rohamérzékelő eszközök elfogadása, és nagy érdeklődésről számoltak be a viselhető eszközök használata iránt (42).
2.6.2. Az epilepsziás betegek számára nem jelentenek akadályt a rohamérzékelő eszközök használata iránt (42). A járás, a testtartás és a remegés értékelése
A viselhető érzékelők hasznosnak bizonyultak a járás, a testtartás és a remegés kvantitatív értékelésére szklerózis multiplexben, Parkinson-kórban, parkinsonizmusban és Huntington-kórban szenvedő betegeknél (43).
2.7. A rák számítógépes diagnosztizálása a szövettani diagnosztikában
APaige.ai áttörő státuszt kapott az FDA-tól egy AI-alapú algoritmusra, amely képes nagy pontossággal diagnosztizálni a rákot a számítógépes szövettani diagnosztikában, lehetővé téve a patológus számára, hogy időt nyerjen a fontos tárgylemezekre való összpontosításra (44).
2.8. Orvosi képalkotás és az AI-alapú technológiák validálása
Egy régóta várt metaanalízis összehasonlította a mélytanuló szoftverek és a radiológusok teljesítményét a képalkotás-alapú diagnosztika területén (45): bár a mélytanulás a jelek szerint ugyanolyan hatékony, mint a radiológus diagnosztika, a szerzők rámutattak, hogy a vizsgálatok 99%-a nem volt megbízható tervezésű; továbbá az áttekintett tanulmányoknak csak egy ezreléke validálta eredményeit azzal, hogy az algoritmusok más forráspopulációkból származó orvosi képalkotást diagnosztizáltak. Ezek az eredmények alátámasztják, hogy az AI-alapú technológiák széles körű validálására van szükség szigorú klinikai vizsgálatokon keresztül (5).
Diszkusszió: A mesterséges intelligencia kihívásai és jövőbeli irányai az orvostudományban
3.1. A mesterséges intelligencián alapuló technológiák validálása: A replikációs válság felé?
A mesterséges intelligencia orvoslásban való alkalmazásának egyik fő kihívása a következő években a közelmúltban kifejlesztett alapvető koncepciók és eszközök klinikai validálása lesz. Bár számos tanulmány már bemutatta az AI hasznosságát az ígéretes eredményeken alapuló egyértelmű lehetőségekkel, az AI-vizsgálatok számos jól ismert és gyakran jelentett korlátja valószínűleg megnehezíti ezt a validálást. A következőkben három ilyen korlátozással foglalkozunk, valamint megadjuk a leküzdésük lehetséges módjait.
Először is, az AI hatékonyságát a klinikusokéval összehasonlító tanulmányok többsége megbízhatatlan tervezésű, és közismerten hiányzik belőlük az elsődleges replikáció, azaz a kifejlesztett algoritmusok validálása más forrásokból származó mintákon, mint amilyeneket az algoritmusok képzéséhez használtak (45). Ezt a nehézséget a nyílt tudomány korszakában le lehet küzdeni, mivel a nyílt adatok és a nyílt módszerek a kutatás legjobb gyakorlataként egyre nagyobb figyelmet kapnak. A nyílt tudományra való áttérés azonban nehézségekbe ütközhet azon orvosi AI-vállalatok számára, amelyek alaptevékenységként szoftvereket fejlesztenek.
Második, a klinikai gyakorlatban alkalmazott AI alkalmazásáról beszámoló tanulmányok köztudottan korlátozottak a retrospektív tervek és a mintanagyságok miatt; az ilyen tervek potenciálisan szelekciós és spektrumtorzítást tartalmaznak, azaz a modelleket úgy fejlesztik ki, hogy optimálisan illeszkedjenek egy adott adathalmazhoz (ezt a jelenséget túlillesztésnek is nevezik), de más adathalmazokban nem ismétlik meg ugyanazokat az eredményeket (32). A túlillesztés gyanújába kerülő algoritmusok elfogadását követően folyamatos újraértékelésre és kalibrálásra kell törekedni, hogy a szoftvereket hozzá lehessen igazítani a betegek demográfiai jellemzőinek fluktuációjához (46). Továbbá egyre nagyobb az egyetértés a nagyobb közösségekhez való alkalmazkodásra tervezett algoritmusok fejlesztésének szükségességét illetően, figyelembe véve az alcsoportokat (47).
Harmadszor, csak kevés olyan vizsgálat ismert, amely az AI-t és a klinikusokat hasonlította volna össze ugyanazon adatkészletek alapján; még ebben a forgatókönyvben is megfogalmazódtak kritikák, amelyek a szakorvosoknál elvártnál alacsonyabb diagnosztikai pontossági arányra mutattak rá. (26). A mesterséges intelligencia és a klinikusok szembeállítása, bár a tudományos szakirodalomban jól szerepel, valószínűleg nem a legjobb módja annak, hogy az orvosi szakértelem teljesítményének kérdését kezeljük: ma már több tanulmány is a klinikusok és az algoritmusok közötti interakciót közelíti meg (47), mivel az emberi és a mesterséges intelligencia kombinációja felülmúlja bármelyiküket önmagában.
3.2. Az orvosi szakértelem és a klinikusok közötti interakció a legjobb megoldás. A folyamatos megfigyelés etikai vonatkozásai
Az orvosi technológia a 21. század egyik legígéretesebb piaca, amelynek becsült piaci értéke 2019-ben gyorsan megközelíti az ezermilliárd dollárt. A bevétel egyre nagyobb százalékát az orvosi eszközök (például a szívmonitorozó eszközök) kiskereskedelme teszi ki a fiatalabb lakosság számára, amely nem az elsődleges fogyasztói célprofil (mivel az olyan egészségügyi problémák, mint a pitvarfibrilláció, kisebb valószínűséggel jelentkeznek). E jelenség miatt a tárgyak internete (IoT) újradefiniálja az egészséges egyén fogalmát, amely a számszerűsített én (okostelefonon vagy viselhető eszközön kódolt személyes mutatók) és a viselhető eszköz által biztosított életmód-paraméterek sorozata (aktivitásfigyelés, testsúlykontroll stb.) kombinációja.
Az elmúlt néhány évben továbbá több viselhető eszközzel foglalkozó vállalat fontos megállapodásokat kötött biztosítótársaságokkal vagy kormányokkal e termékek nagyszabású forgalmazásának megszervezésére: az ilyen kezdeményezések célja elsősorban az életmódváltás ösztönzése nagy populációkban. Miközben a nyugati országok továbbra is az olyan egészségügyi rendszerek felé fejlődnek, amelyek középpontjában a beteg saját egészségéért és jólétéért való egyéni felelőssége áll, a dolgok internetén keresztül az orvosi eszközökkel történő folyamatos orvosi megfigyelés etikai következményeit gyakran megvitatják. A folyamatos megfigyelés és a magánélet védelmének megsértése például növelheti a krónikusan beteg vagy hátrányosabb helyzetű polgárok megbélyegzését (48), és esetleg büntetheti azokat a polgárokat, akik nem képesek az egészséges életmód új normáinak elfogadására, például az egészségbiztosításhoz és az ellátáshoz való hozzáférés csökkentésével; az egészségpolitikai döntéshozatalban kevés vagy semmilyen vita nem összpontosított ezekre a lehetséges és alapvető buktatókra.
Ebben a technopolitikai keretben az adatvédelem és a tulajdonjog kérdése egyre fontosabbá válik, bár már több mint két évtizede (49). A szakirodalom többféle hozzáállást ír le az adatok tulajdonjogával kapcsolatban: bár egyes munkák a betegek adatainak közös tulajdonjoga mellett érvelnek a személyre szabott gyógyászati megközelítések hasznosítása érdekében (50, 51), a konszenzus a betegek tulajdonjoga felé tolódik, mivel az pozitív hatással van a betegek elkötelezettségére, valamint javíthatja az információ megosztását, ha a beteg és az egészségügyi szakemberek között adatfelhasználási megállapodás jön létre (52).
3.3. A kiterjesztett orvosok képzésének szükségessége
Már több egyetem is elkezdett új orvosi tanterveket létrehozni, beleértve az orvosmérnöki szakot (18), hogy választ adjon arra az igényre, hogy a jövő orvosi vezetőit a mesterséges intelligencia orvoslásban jelentkező kihívásokra képezzék (53). Az ilyen tantervek a kemény tudományok (például a fizika és a matematika) erősebb megközelítését, valamint a számítástudományok, a kódolás, az algoritmika és a mechatronikai mérnöki tudományok hozzáadását látják. Ezek a “kiterjesztett orvosok” egyaránt számítanának klinikai tapasztalatra és digitális szakértelemre a modern egészségügyi problémák megoldásában, részt vennének az egészségügyi intézmények digitális stratégiáinak meghatározásában, irányítanák a digitális átállást, oktatnák a betegeket és a kollégákat.
A társadalom és az egészségügyi intézmények is profitálhatnának ezekből a szakemberekből, akik biztonsági hálót jelentenének minden folyamathoz, beleértve az AI-t az orvostudományban, de az innováció és a kutatás motorjaként is. Az orvosi alapképzés mellett szükség van a digitális orvoslással kapcsolatos folyamatos oktatási programok megvalósítására, és a végzett orvosokat megcélozva, hogy lehetővé váljon az átképzés ezen a növekvő területen. A világ legtöbb élvonalbeli kórházában az ilyen szakembereket a Chief Medical Information Officer (CMIO) feladatával bízták meg.
3.4. A környezeti klinikai intelligencia ígérete: A technológia általi dehumanizáció elkerülése
Amint arról több tanulmány is beszámolt (12, 13), az elektronikus egészségügyi nyilvántartás jelentős adminisztratív terhet és a kiégés forrását jelentheti, amely jelenség egyre inkább jelen van az orvosoknál, mind a képzésben, mind a kiképzésben. Bár a mesterséges intelligencia megoldásai, például a természetes nyelvfeldolgozás egyre inkább képesek segíteni az orvost a teljes egészségügyi dokumentáció elkészítésében, további megoldásokra van szükség a közvetett betegellátásra fordított egyre több idő problémájának megoldására.
Az adaptív klinikai intelligencia (ACI) alatt az orvost és a beteget körülvevő érzékeny, adaptív és reagáló digitális környezetet értjük (54), amely képes például az interjú elemzésére és a beteg elektronikus egészségügyi dokumentációjának automatikus kitöltésére. Számos projekt van folyamatban az ACI kifejlesztésére, amely a mesterséges intelligencia kulcsfontosságú alkalmazása lenne az orvostudományban, és nagy szükség lenne rá az orvosi munkaerővel kapcsolatos modern problémák megoldásához.
Az intelligens orvosi technológiák orvosok általi bevezetésének egyik nagy akadálya az orvosok dehumanizálódásától való félelem. Ez főként az orvosokra nehezedő növekvő adminisztratív terhek (12) miatt van. Az olyan modern technológiák, mint az ACI és a természetes nyelvi feldolgozás azonban minden bizonnyal megoldják az adminisztratív terhek problémáját, és segítenek a klinikusoknak abban, hogy jobban a betegre koncentrálhassanak.
3.5. Az orvosokat felváltja-e a mesterséges intelligencia?
Amint azt a szakirodalomban nemrégiben tárgyalták (15, 16), az orvosokat valószínűleg nem fogja felváltani a mesterséges intelligencia: az intelligens orvosi technológiák önmagukban is léteznek az orvos támogatására, a betegkezelés javítása érdekében. Amint azonban a közelmúltban készült tanulmányok rámutattak (45), gyakran előfordulnak összehasonlítások a mesterséges intelligencia megoldások és az orvosok között, mintha a két ellenfél egymással versenyezne. A jövőbeni tanulmányoknak a mesterséges intelligencia megoldásokat használó orvosok és az ilyen alkalmazásokat nem használó orvosok összehasonlítására kell összpontosítaniuk, és ezeket az összehasonlításokat ki kell terjeszteniük a transzlációs klinikai vizsgálatokra; csak ezután fogadják el a mesterséges intelligenciát az orvosok kiegészítőjeként. Az egészségügyi szakemberek ma kiváltságos helyzetben vannak, hogy képesek legyenek üdvözölni a digitális fejlődést és a változások fő mozgatórugói lenni, bár az orvosképzés jelentős felülvizsgálatára van szükség ahhoz, hogy a jövő vezetői megkapják az ehhez szükséges kompetenciákat.
Következtetés
A mesterséges intelligencia alkalmazása a klinikai gyakorlatban ígéretes fejlesztési terület, amely gyorsan fejlődik a többi modern területtel, a precíziós orvoslással, a genomikával és a telekonzultációval együtt. Miközben a tudományos fejlődésnek szigorúnak és átláthatónak kell maradnia a modern egészségügyi ellátás javítását célzó új megoldások kifejlesztése során, az egészségpolitikának most az orvostudomány fejlődésének e sarokkövéhez kapcsolódó etikai és pénzügyi kérdések kezelésére kell összpontosítania.
A szerzők hozzájárulása
A felsorolt szerzők mindegyike jelentősen, közvetlenül és intellektuálisan hozzájárult a munkához, és jóváhagyta annak közzétételét.
Érdekütközés
A szerzők kijelentik, hogy a kutatást olyan kereskedelmi vagy pénzügyi kapcsolatok hiányában végezték, amelyek potenciális érdekellentétként értelmezhetők.
1. Steinhubl SR, Muse ED, Topol EJ. A mobil egészségügy kialakulóban lévő területe. Sci Trans Med. (2015) 7:283rv3. doi: 10.1126/scitranslmed.aaa3487
PubMed Abstract | CrossRef Full Text | Google Scholar
2. Az egészségügyi és a gyógyítással kapcsolatos kutatások, valamint a gyógyítás és a gyógyítással összefüggő kutatások. Peng Y, Zhang Y, Wang L. Mesterséges intelligencia az orvosbiológiai technikában és informatikában: bevezetés és áttekintés. 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. Gyógyszerészi vizsgálat. Abdulnabi M, Al-Haiqi A, Kiah MLM, Zaidan AA, Zaidan BB, Hussain M. Egy elosztott keretrendszer az egészségügyi információcseréhez okostelefon-technológiák használatával. J Biomed Informat. (2017) 69:230-50. doi: 10.1016/j.jbi.2017.04.013
PubMed Abstract | CrossRef Full Text | Google Scholar
5. Keresés English
PubMed Abstract | CrossRef Full Text | Google Scholar
5. Topol EJ. A digitális orvoslás innovációjának évtizede. Sci Trans Med. (2019) 11:7610. doi: 10.1126/scitranslmed.aaw7610
PubMed Abstract | CrossRef Full Text | Google Scholar
6. Az orvostudományi kutatások és az orvostudományi kutatások eredménye. 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. Navigáció és robotika a gerincsebészetben: hol tartunk most? Neurosurgery. (2017) 80:S86-99. doi: 10.1093/neuros/nyw077
PubMed Abstract | CrossRef Full Text | Google Scholar
8. Az újságírók és az orvostudományi szakemberek véleménye a sebészetről. 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.00000000000000003802
PubMed Abstract | CrossRef Full Text | Google Scholar
9. Mishkind MC, Norr AM, Katz AC, Reger GM. A virtuális valóság kezelésének áttekintése a pszichiátriában: bizonyítékok kontra jelenlegi elterjedés és használat. Curr Psychiat Rep. (2017) 19:80. doi: 10.1007/s11920-017-0836-0
PubMed Abstract | CrossRef Full Text | Google Scholar
10. Curr Psychiaat Rep. Malloy KM, Milling LS. A virtuális valóság disztrakció hatékonysága a fájdalom csökkentésében: szisztematikus áttekintés. Clin Psychol Rev. (2010) 30:1011-8. doi: 10.1016/j.cpr.2010.07.001
PubMed Abstract | CrossRef Full Text | Google Scholar
11. Klinikai pszichológiai tanulmányok. Haag M, Igel C, Fischer MR, German Medical Education Society (GMA) “Digitization-Technology-Assisted Learning and Teaching” közös munkacsoport “Technology-enhanced Teaching and Learning in Medicine (TeLL)” of the german association for medical informatics biometry and epidemiology (gmds) and the German Informatics Society (GI). Digitális tanítás és digitális orvoslás: nemzeti kezdeményezésre van szükség. GMS J Med Educ. (2018) 35:Doc43. doi: 10.3205/zma001189
PubMed Abstract | CrossRef Full Text | Google Scholar
12. GMS J Med Educ (2018) 35:Doc43. 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. JAMainternmed. West CP, Dyrbye LN, Shanafelt TD. Orvosi kiégés: közreműködők, következmények és megoldások. J Int Med. (2018) 283:516-29. doi: 10.1111/joim.12752
PubMed Abstract | CrossRef Full Text | Google Scholar
14. Az orvosszakértők és az orvosszakértők véleménye az orvosokról. Shah NR. Egészségügy 2030-ban: a mesterséges intelligencia felváltja majd az orvosokat? Ann Int Med. (2019) 170:407-8. doi: 10.7326/M19-0344
PubMed Abstract | CrossRef Full Text | Google Scholar
15. Orvosok és orvosok. Topol EJ. Nagy teljesítményű orvostudomány: az emberi és a mesterséges intelligencia konvergenciája. Nat Med. (2019) 25:44-56. doi: 10.1038/s41591-018-0300-7
PubMed Abstract | CrossRef Full Text | Google Scholar
16. Az MTA doktora, az MTA doktora. Verghese A, Shah NH, Harrington RA. Amire ennek a számítógépnek szüksége van, az egy orvos: humanizmus és mesterséges intelligencia. JAMA. (2018) 319:19-20. doi: 10.1001/jama.2017.19198
PubMed Abstract | CrossRef Full Text | Google Scholar
17. Az orvostudományi szaklapok és az orvostudományi szakfolyóiratok (2018) 319:19-20. Price WN, Gerke S, Cohen IG. A mesterséges intelligenciát használó orvosok lehetséges felelőssége. 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) Elérhető az interneten: https://www.lespecialiste.be/fr/debats/nous-devons-former-des-medecins-laquo-nbsp-augmentes-raquo.html (elérés: 2019. október 26.).
Google Scholar
19. Google Scholar
. 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. 21. Ame Heart J. (2019) 207:66-75. 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. Hírlevél. Huang Z, Chan TM, Dong W. Az akut koronária szindróma MACE-előrejelzése boosted resampling osztályozással, elektronikus orvosi nyilvántartások felhasználásával. J Biomed Inform. (2017) 66:161-70. doi: 10.1016/j.jbi.2017.01.001
PubMed Abstract | CrossRef Full Text | Google Scholar
23. Hírlevelek a következő cikkekből készültek:
PubMed Abstract | CrossRef Full Text | Google Scholar
. Mortazavi BJ, Downing NS, Bucholz EM, Dharmarajan K, Manhapra A, Li SX, et al. A gépi tanulási technikák elemzése a szívelégtelenség újrafelvételére. Circ Cardiovasc Qual Outcomes. (2016) 9:629-40. doi: 10.1161/CIRCOUTCOMES.116.003039
PubMed Abstract | CrossRef Full Text | Google Scholar
24. 24. CIRCOUTCOMES. Dorado-Díaz PI, Sampedro-Gómez J, Vicente-Palacios V, Sánchez PL. A mesterséges intelligencia alkalmazásai a kardiológiában. A jövő már itt van. Revista Española de Cardiología. (2019) 72:1065-75. doi: 10.1016/j.rec.2019.05.014
PubMed Abstract | CrossRef Full Text | Google Scholar
25. Vö. 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. Eur Respirat J. (2019) 53:1801660. doi: 10.1183/13993003.01660-2018. Delclaux C. Nincs szükség tüdőgyógyászokra a tüdőfunkciós tesztek értelmezéséhez. Eur Respirat J. (2019) 54:1900829. doi: 10.1183/13993003.00829-2019
PubMed Abstract | CrossRef Full Text | Google Scholar
27. Eur Respirat J. (2019) 54:1900829. Lawton J, Blackburn M, Allen J, Campbell F, Elleri D, Leelarathna L, et al. A betegek és a gondozók tapasztalatai a folyamatos glükózmonitorozás használatáról a cukorbetegség önmenedzselésének támogatására: kvalitatív vizsgálat. BMC Endocrine Disord. (2018) 18:12. doi: 10.1186/s12902-018-0239-1
PubMed Abstract | CrossRef Full Text | Google Scholar
28. ombudsmani jelentés. Christiansen MP, Garg SK, Brazg R, Bode BW, Bailey TS, Slover RH, et al. Egy negyedik generációs szubkután folyamatos glükózérzékelő pontossága. Diabet Technol Therapeut. (2017) 19:446-56. doi: 10.1089/dia.2017.0087
PubMed Abstract | CrossRef Full Text | Google Scholar
29. A cukorbetegek és a cukorbetegségben szenvedők számára is elérhetővé vált a cukorbetegség. Niel O, Boussard C, Bastard P. A mesterséges intelligencia képes előre jelezni a GFR csökkenését az ADPKD lefolyása során. 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. Vö. Geddes CC, Fox JG, Allison ME, Boulton-Jones JM, Simpson K. Egy mesterséges neurális hálózat pontosabban képes kiválasztani a progresszív IgA nefropátia kialakulásának magas kockázatú betegeket, mint a tapasztalt nefrológusok. Nephrol Dialysis, Transplant. (1998) 13:67-71.
PubMed Abstract | Google Scholar
31. Niel O, Bastard P. Mesterséges intelligencia a nefrológiában: alapfogalmak, klinikai alkalmazások és perspektívák. Am J Kidney Dis. (2019) 74:803-10. doi: 10.1053/j.ajkd.2019.05.020
PubMed Abstract | CrossRef Full Text | Google Scholar
32. Vizsgálat a vesebetegségről és a vesebetegségről. Yang YJ, Bang CS. A mesterséges intelligencia alkalmazása a gasztroenterológiában. World J Gastroenterol. (2019) 25:1666-83. doi: 10.3748/wjg.v25.i14.1666
PubMed Abstract | CrossRef Full Text | Google Scholar
33. A gasztroenterológia és a gasztrointesztrológia (2019) 25:1666-83. Fernández-Esparrach G, Bernal J, López-Cerón M, Córdova H, Sánchez-Montes C, Rodríguez de Miguel C, et al. Az energiatérképek létrehozásán alapuló automatikus vastagbélpolip-detektálási módszer klinikai potenciáljának feltárása. Endoszkópia. (2016) 48:837-42. doi: 10.1055/s-0042-108434
PubMed Abstract | CrossRef Full Text | Google Scholar
34. PubMed Abstract | CrossRef Full Text | Google Scholar
. 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. Vö. Lahner E, Grossi E, Intraligi M, Buscema M, Corleto VD, Delle Fave G, et al. A mesterséges neurális hálózatok és a lineáris diszkriminanciaanalízis lehetséges hozzájárulása az atrófiás testgasztritisz gyanújában szenvedő betegek felismerésében. 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. Hosszú távú orvosi vizsgálat. Sato F, Shimada Y, Selaru FM, Shibata D, Maeda M, Watanabe G, et al. A túlélés előrejelzése nyelőcsőrákos betegeknél mesterséges neurális hálózatok segítségével. Cancer. (2005) 103:1596-605. doi: 10.1002/cncr.20938
PubMed Abstract | CrossRef Full Text | Google Scholar
38. A rákos megbetegedések és a daganatos megbetegedések vizsgálata. Peng JC, Ran ZH, Shen J. Az IBD kezdetének és visszaesésének szezonális változása és egy modell az IBD kezdetének, visszaesésének és súlyosságának gyakoriságának előrejelzésére mesterséges neurális hálózat alapján. Int J Colorect Dis. (2015) 30:1267-73. doi: 10.1007/s00384-015-2250-6
PubMed Abstract | CrossRef Full Text | Google Scholar
39. Vö. Ichimasa K, Kudo SE, Mori Y, Misawa M, Matsudaira S, Kouyama Y, et al. Artificial intelligence may help in predicting the need of 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. Hosszú időn át tartó vizsgálat, amely során a rákos megbetegedések és a daganatos daganatos megbetegedések megelőzéséről és kezeléséről is szó volt. Regalia G, Onorati F, Lai M, Caborni C, Picard RW. Multimodális csuklón viselt eszközök a roham észlelésére és a kutatás előmozdítására: fókuszban az Empatica csuklópántok. Epilep Res. (2019) 153:79-82. doi: 10.1016/j.eplepsyres.2019.02.007
PubMed Abstract | CrossRef Full Text | Google Scholar
42. Epilep Res. 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. Teleneurológia és mobiltechnológiák: a neurológiai ellátás jövője. 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 deep learning teljesítményének összehasonlítása az egészségügyi szakemberekkel az orvosi képalkotásból származó betegségek felismerésében: szisztematikus áttekintés és metaanalízis. 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. A “kényelmetlen igazság” a mesterséges intelligenciáról az egészségügyben. NPJ Digit Med. (2019) 2:1-3. doi: 10.1038/s41746-019-0155-4
PubMed Abstract | CrossRef Full Text | Google Scholar
47. Hírlevelek és tanulmányok. 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. PhD. Mittelstadt B. Az egészséggel kapcsolatos dolgok internetének etikája: narratív áttekintés. Ethics Informat Technol. (2017) 19:157-75. doi: 10.1007/s10676-017-9426-4
CrossRef Full Text | Google Scholar
49. Az Informatikai Informatika és az Informatikai Informatika (2017) 19:157-75. Williamson JB. A betegek egészségügyi információinak bizalmas kezelésének és biztonságának megőrzése. Top Health Informat Manage. (1996) 16:56-60.
PubMed Abstract | Google Scholar
50. Montgomery J. Az adatmegosztás és a tulajdonjog eszméje. New Bioeth Multidiscipl J Biotechnol Body. (2017) 23:81-6. doi: 10.1080/20502877.2017.1314893
PubMed Abstract | CrossRef Full Text | Google Scholar
51. A Biotechnológiai Szemle (2017) 23:81-6. Rodwin MA. A betegadatok köztulajdonba vétele mellett szóló érvek. JAMA. (2009) 302:86-8. doi: 10.1001/jama.2009.965
PubMed Abstract | CrossRef Full Text | Google Scholar
52. 52. Az Amerikai Egyesült Államokban és a világon mindenhol, mindenhol, mindenhol, mindenhol, mindenhol. Mikk KA, Sleeper HA, Topol EJ. A betegadatok tulajdonjogához és a jobb egészséghez vezető út. JAMA. (2017) 318:1433-4. doi: 10.1001/jama.2017.12145
PubMed Abstract | CrossRef Full Text | Google Scholar
53. Jama.2017.12145
PubMed Abstract | CrossRef Full Text | Google Scholar
. Brouillette M. A mesterséges intelligencia hozzáadva a leendő orvosok tantervéhez. Nat Med. (2019). 25:1808-9. doi: 10.1038/s41591-019-0648-3
PubMed Abstract | CrossRef Full Text | Google Scholar
54. Orvostudományi Szemle. Acampora G, Cook DJ, Rashidi P, Vasilakos AV. Felmérés a környezeti intelligenciáról az egészségügyben. Proc IEEE Inst Elect Electron Eng. (2013) 101:2470-94. doi: 10.1109/JPROC.2013.2262913
PubMed Abstract | CrossRef Full Text | Google Scholar
Vélemény, hozzászólás?