Frontiere in Medicina
Il Ottobre 30, 2021 da adminIntroduzione
L’espressione “Tecnologia Medica” è ampiamente utilizzata per affrontare una serie di strumenti che possono consentire ai professionisti della salute di fornire ai pazienti e alla società una migliore qualità della vita eseguendo diagnosi precoci, riducendo le complicazioni, ottimizzando il trattamento e/o fornendo opzioni meno invasive, e riducendo la durata del ricovero. Mentre, prima dell’era mobile, le tecnologie mediche erano principalmente conosciute come dispositivi medici classici (ad esempio, protesi, stent, impianti), l’emergere di smartphone, wearables, sensori e sistemi di comunicazione ha rivoluzionato la medicina con la capacità di contenere strumenti alimentati dall’intelligenza artificiale (AI) (come le applicazioni) in dimensioni molto piccole (1). L’IA ha rivoluzionato le tecnologie mediche e può essere comunemente intesa come la parte dell’informatica che è in grado di affrontare problemi complessi con molte applicazioni in aree con enormi quantità di dati ma poca teoria (2).
Le tecnologie mediche intelligenti (cioè, AI-powered) sono state accolte con entusiasmo dalla popolazione generale in parte perché consente un modello di medicina 4P (predittiva, preventiva, personalizzata e partecipativa) e quindi l’autonomia del paziente, in modi che non potrebbe essere possibile (3); gli smartphone stanno diventando per esempio il go-to item per compilare e distribuire una cartella clinica elettronica personale (4), monitorare le funzioni vitali con biosensori (5) e aiutare a raggiungere la conformità terapeutica ottimale (6), quindi dando al paziente il posto come attore principale nel percorso di cura. Lo sviluppo di tecnologie mediche intelligenti sta permettendo lo sviluppo di un nuovo campo della medicina: la medicina aumentata, cioè l’uso di nuove tecnologie mediche per migliorare diversi aspetti della pratica clinica. Diversi algoritmi basati sull’AI sono stati approvati nell’ultimo decennio dalla Food and Drug Administration (FDA) e potrebbero quindi essere implementati. La medicina aumentata non è solo abilitata dalle tecnologie basate sull’IA, ma anche da diversi altri strumenti digitali, come i sistemi di navigazione chirurgica per la chirurgia assistita dal computer (7), gli strumenti di realtà virtuale per la chirurgia, la gestione del dolore e i disturbi psichiatrici (8-10).
Anche se il campo della medicina aumentata sembra incontrare il successo dei pazienti, può incontrare una certa resistenza da parte degli operatori sanitari, in particolare i medici: riguardo a questo fenomeno, si dovrebbero fornire quattro ragioni ampiamente discusse. In primo luogo, l’impreparazione rispetto al potenziale della medicina digitale è dovuta all’evidente mancanza di formazione di base e continua su questa disciplina (11). In secondo luogo, la digitalizzazione precoce dei processi sanitari, molto diversa dalla promessa della medicina aumentata, è venuta con un forte aumento del carico amministrativo legato principalmente alle cartelle cliniche elettroniche (12), che è diventato noto come una delle componenti principali del burnout dei medici (13). In terzo luogo, c’è sempre più paura del rischio che l’IA sostituisca i medici (14), anche se l’opinione corrente e dominante nella letteratura è che l’IA completerà l’intelligenza dei medici in futuro (15, 16). In quarto luogo, l’attuale mancanza a livello mondiale di un quadro giuridico che definisca il concetto di responsabilità in caso di adozione o rifiuto delle raccomandazioni dell’algoritmo lascia il medico esposto a potenziali esiti legali quando si utilizza l’IA (17).
Per quanto riguarda la mancanza di istruzione nella medicina digitale, diverse scuole mediche private stanno preparando i loro futuri leader medici alla sfida della medicina aumentata associando il curriculum medico al curriculum di ingegneria o implementando l’alfabetizzazione e l’uso della salute digitale in un curriculum aggiornato (18).
Lo scopo di questo articolo è quello di riassumere i recenti sviluppi dell’IA in medicina, fornire i principali casi d’uso in cui le tecnologie mediche alimentate dall’IA possono già essere utilizzate nella pratica clinica, e le prospettive sulle sfide e i rischi che gli operatori sanitari e le istituzioni devono affrontare mentre implementano la medicina aumentata, sia nella pratica clinica che nella formazione dei futuri leader medici.
Applicazioni attuali dell’intelligenza artificiale in medicina
2.1. Cardiologia
2.1.1. Fibrillazione atriale
La rilevazione precoce della fibrillazione atriale è stata una delle prime applicazioni dell’IA in medicina. AliveCor ha ricevuto l’approvazione della FDA nel 2014 per la loro applicazione mobile Kardia che permette un monitoraggio ECG basato su smartphone e la rilevazione della fibrillazione atriale. Il recente studio REHEARSE-AF (19) ha dimostrato che il monitoraggio ECG remoto con Kardia in pazienti ambulatoriali ha più probabilità di identificare la fibrillazione atriale rispetto alle cure di routine. Apple ha anche ottenuto l’approvazione della FDA per il suo Apple Watch 4 che permette una facile acquisizione dell’ECG e il rilevamento della fibrillazione atriale che può essere condiviso con il medico di fiducia attraverso uno smartphone (20). Sono state affrontate diverse critiche alle tecnologie ECG indossabili e portatili (21), evidenziando le limitazioni al loro utilizzo, come il tasso di falsi positivi originati da artefatti da movimento, e le barriere nell’adozione della tecnologia indossabile nei pazienti anziani che hanno maggiori probabilità di soffrire di fibrillazione atriale.
2.1.2. Rischio cardiovascolare
Applicata alle cartelle elettroniche dei pazienti, l’IA è stata utilizzata per prevedere il rischio di malattie cardiovascolari, per esempio la sindrome coronarica acuta (22) e l’insufficienza cardiaca (23) meglio delle scale tradizionali. Recenti revisioni complete (24) hanno tuttavia riportato come i risultati possano variare a seconda della dimensione del campione utilizzato nel rapporto di ricerca.
2.2. Medicina polmonare
L’interpretazione dei test di funzionalità polmonare è stata segnalata come un campo promettente per lo sviluppo di applicazioni AI in medicina polmonare. Uno studio recente (25) ha riportato come il software basato sull’IA fornisce un’interpretazione più accurata e serve come strumento di supporto decisionale nel caso dell’interpretazione dei risultati dei test di funzionalità polmonare. Lo studio ha ricevuto diverse critiche, una delle quali (26) ha riportato come il tasso di diagnosi accurate negli pneumologi che hanno partecipato allo studio era notevolmente inferiore alla media del paese.
2.3. Endocrinologia
Il monitoraggio continuo del glucosio consente ai pazienti con diabete di visualizzare in tempo reale le letture del glucosio interstiziale e fornisce informazioni sulla direzione e sul tasso di cambiamento dei livelli di glucosio nel sangue (27) Medtronic ha ricevuto l’approvazione della FDA per il loro sistema Guardian per il monitoraggio del glucosio, che è abbinato a uno smartphone (28). Nel 2018, l’azienda ha collaborato con Watson (AI sviluppata da IBM) per il loro sistema Sugar.IQ per aiutare i loro clienti a prevenire meglio gli episodi ipoglicemici basati sulla misurazione ripetuta. Il monitoraggio continuo della glicemia può consentire ai pazienti di ottimizzare il loro controllo della glicemia e ridurre lo stigma associato agli episodi ipoglicemici; tuttavia, uno studio incentrato sull’esperienza dei pazienti con il monitoraggio del glucosio ha riportato che i partecipanti, pur esprimendo fiducia nelle notifiche, hanno anche dichiarato sentimenti di fallimento personale per regolare il livello di glucosio (27).
2.4. Nefrologia
L’intelligenza artificiale è stata applicata in diversi ambiti della nefrologia clinica. Per esempio, si è dimostrata utile per la previsione del declino della velocità di filtrazione glomerulare in pazienti con malattia renale policistica (29), e per stabilire il rischio di nefropatia IgA progressiva (30). Tuttavia, una recente revisione riporta come in questo momento la ricerca sia limitata dalla dimensione del campione necessaria per l’inferenza (31).
2.5. Gastroenterologia
La specialità della gastroenterologia beneficia di una vasta gamma di applicazioni di IA in ambito clinico. I gastroenterologi hanno fatto uso di reti neurali convoluzionali tra altri modelli di apprendimento profondo per elaborare immagini dall’endoscopia e dall’ecografia (32) e rilevare strutture anormali come i polipi del colon (33). Le reti neurali artificiali sono state utilizzate anche per diagnosticare la malattia da reflusso gastroesofageo (34) e la gastrite atrofica (35), così come per prevedere i risultati nelle emorragie gastrointestinali (36), la sopravvivenza del cancro esofageo (37), la malattia infiammatoria intestinale (38) e le metastasi nel cancro colorettale (39) e il carcinoma a cellule squamose esofageo (40).
2.6. Neurologia
2.6.1. Epilessia
I dispositivi intelligenti per il rilevamento delle crisi sono tecnologie promettenti che hanno il potenziale di migliorare la gestione delle crisi attraverso un monitoraggio ambulatoriale permanente. Empatica ha ricevuto l’approvazione della FDA nel 2018 per il loro indossabile Embrace, che associato a captatori elettrodermici può rilevare le crisi epilettiche generalizzate e riferire a un’applicazione mobile che è in grado di avvisare i parenti stretti e il medico di fiducia con informazioni complementari sulla localizzazione del paziente (41). Un rapporto incentrato sull’esperienza dei pazienti ha rivelato che, a differenza degli indossabili per il monitoraggio del cuore, i pazienti che soffrono di epilessia non hanno avuto barriere nell’adozione dei dispositivi di rilevamento delle crisi e hanno riportato un alto interesse nell’uso degli indossabili (42).
2.6.2. Valutazione di andatura, postura e tremore
I sensori indossabili si sono dimostrati utili per valutare quantitativamente andatura, postura e tremore in pazienti con sclerosi multipla, malattia di Parkinson, parkinsonismo e malattia di Huntington (43).
2.7. Diagnosi computazionale del cancro in istopatologia
Paige.ai ha ricevuto lo status di innovazione dalla FDA per un algoritmo basato su AI che è in grado di diagnosticare il cancro in istopatologia computazionale con grande precisione, permettendo al patologo di guadagnare tempo per concentrarsi su diapositive importanti (44).
2.8. Medical Imaging and Validation of AI-Based Technologies
Una meta-analisi a lungo attesa ha confrontato le prestazioni dei software di deep learning e dei radiologi nel campo della diagnosi basata sulle immagini (45): anche se il deep learning sembra essere efficiente come il radiologo per la diagnosi, gli autori hanno sottolineato che il 99% degli studi non sono risultati avere un design affidabile; inoltre, solo un millesimo dei lavori che sono stati esaminati ha convalidato i loro risultati facendo diagnosticare agli algoritmi le immagini mediche provenienti da altre popolazioni di origine. Questi risultati supportano la necessità di un’ampia convalida delle tecnologie basate sull’IA attraverso rigorosi studi clinici (5).
Discussione: Sfide e direzioni future dell’intelligenza artificiale in medicina
3.1. Convalida delle tecnologie basate sull’intelligenza artificiale: Verso una crisi di replicazione?
Una delle sfide principali dell’applicazione dell’IA in medicina nei prossimi anni sarà la validazione clinica dei concetti e degli strumenti di base recentemente sviluppati. Anche se molti studi hanno già introdotto l’utilità dell’IA con chiare opportunità basate su risultati promettenti, diverse limitazioni ben riconosciute e frequentemente segnalate degli studi sull’IA rischiano di complicare tale convalida. Con la presente tratteremo tre di queste limitazioni, oltre a fornire possibili modi per superarle.
In primo luogo, la maggior parte degli studi che confrontano l’efficienza dell’IA rispetto ai clinici sono risultati avere un design inaffidabile e noto per la mancanza di replicazione primaria, cioè la convalida degli algoritmi sviluppati in campioni provenienti da altre fonti rispetto a quello utilizzato per addestrare gli algoritmi (45). Questa difficoltà potrebbe essere superata nell’era dell’open science, poiché i dati e i metodi aperti sono destinati a ricevere sempre più attenzione come best practice nella ricerca. Tuttavia, la transizione alla scienza aperta potrebbe rivelarsi difficile per le aziende di IA medica che sviluppano software come core business.
In secondo luogo, gli studi che riportano l’applicazione dell’IA nella pratica clinica sono noti per essere limitati a causa dei disegni retrospettivi e delle dimensioni del campione; tali disegni potenzialmente includono bias di selezione e di spettro, cioè, i modelli sono sviluppati per adattarsi in modo ottimale a un dato set di dati (questo fenomeno è anche noto come overfitting), ma non replicano gli stessi risultati in altri set di dati (32). Una continua rivalutazione e calibrazione dopo l’adozione di algoritmi sospettati di overfitting dovrebbe essere necessaria per adattare il software alla fluttuazione della demografia dei pazienti (46). Inoltre, c’è un crescente consenso sulla necessità di sviluppare algoritmi progettati per adattarsi a comunità più ampie, tenendo conto dei sottogruppi (47).
In terzo luogo, solo pochi studi sono noti per confrontare l’IA e i clinici sulla base degli stessi set di dati; anche in questo scenario, le critiche sono state fatte puntando a un tasso di precisione diagnostica inferiore a quello previsto nei medici specializzati. (26). Opporre AI e clinici è, anche se ben rappresentato nella letteratura scientifica, probabilmente non è il modo migliore per affrontare la questione della performance nelle competenze mediche: diversi studi si stanno avvicinando all’interazione tra clinici e algoritmi (47) come la combinazione di intelligenza umana e artificiale supera l’una o l’altra da sole.
3.2. Implicazioni etiche del monitoraggio in corso
La tecnologia medica è uno dei mercati più promettenti del XXI secolo, con un valore di mercato stimato che si avvicina rapidamente ai mille miliardi di dollari nel 2019. Una percentuale crescente delle entrate è dovuta alla vendita al dettaglio di dispositivi medici (come quelli per il monitoraggio del cuore) a una popolazione più giovane, che non è il profilo primario del consumatore target (perché problemi di salute come la fibrillazione atriale hanno meno probabilità di comparire). A causa di questo fenomeno, l’Internet of Things (IoT) sta ridefinendo il concetto di individuo sano come una combinazione di sé quantificato (indicatori personali codificati nello smartphone o nel wearable) e una serie di parametri forniti dai wearable sullo stile di vita (monitoraggio dell’attività, controllo del peso, ecc.).
Inoltre, negli ultimi due anni diverse aziende di wearable hanno concluso importanti accordi con compagnie di assicurazione o governi per organizzare una distribuzione su larga scala di questi prodotti: questo tipo di iniziative sono principalmente volte a indurre un cambiamento dello stile di vita in grandi popolazioni. Mentre i paesi occidentali continuano ad evolvere verso sistemi sanitari incentrati sulla responsabilità individuale del paziente verso la propria salute e il proprio benessere, le implicazioni etiche del monitoraggio medico continuo con dispositivi medici attraverso l’Internet delle cose sono spesso discusse. Per esempio, il monitoraggio continuo e le violazioni della privacy hanno il potenziale di aumentare lo stigma intorno ai cittadini malati cronici o più svantaggiati (48) e possibilmente penalizzare quei cittadini che non sono in grado di adottare nuovi standard di stile di vita sano, per esempio riducendo l’accesso all’assicurazione sanitaria e alle cure; poco o nessun dibattito è stato focalizzato su queste potenziali e cruciali insidie nella definizione delle politiche sanitarie.
In questo quadro tecno-politico, la questione della protezione e della proprietà dei dati diventa sempre più cruciale, sebbene abbia più di due decenni (49). Diversi atteggiamenti verso la proprietà dei dati sono descritti in letteratura: anche se alcuni lavori sostengono la proprietà comune dei dati dei pazienti per approcci di medicina personalizzata (50, 51), il consenso si sta spostando verso la proprietà del paziente, in quanto ha effetti positivi sul coinvolgimento del paziente così come può migliorare la condivisione delle informazioni se viene sviluppato un accordo sull’uso dei dati tra il paziente e gli operatori sanitari (52).
3.3. La necessità di educare i medici aumentati
Diverse università hanno iniziato a creare nuovi curricula medici, tra cui un medico-ingegnere (18), per rispondere alla necessità di educare i futuri leader medici alle sfide dell’intelligenza artificiale in medicina (53). Tali curricula vedono un approccio più forte alle scienze dure (come la fisica e la matematica), e l’aggiunta di scienze computazionali, codifica, algoritmica e ingegneria meccatronica. Questi “medici aumentati” conterebbero sia su un’esperienza clinica che su una competenza digitale per risolvere i moderni problemi di salute, partecipare alla definizione di strategie digitali per le istituzioni sanitarie, gestire la transizione digitale, educare i pazienti e i pari.
La società così come le istituzioni sanitarie potrebbero beneficiare di questi professionisti come una rete di sicurezza per qualsiasi processo che includa l’IA in medicina, ma anche come un motore di innovazione e ricerca. A parte l’educazione medica di base, c’è la necessità di implementare programmi educativi continui riguardanti la medicina digitale e rivolti ai medici laureati, in modo da consentire la riqualificazione in questo campo in crescita. Nella maggior parte degli ospedali all’avanguardia di tutto il mondo, tali esperti sono incaricati della missione di Chief Medical Information Officer (CMIO).
3.4. La promessa dell’intelligenza clinica ambientale: Evitare la disumanizzazione da parte della tecnologia
Come riportato da diversi studi (12, 13), le cartelle cliniche elettroniche possono essere un importante onere amministrativo e una fonte di burnout, fenomeno sempre più presente nei medici, sia in formazione che formati. Anche se le soluzioni di intelligenza artificiale come il Natural Language Processing stanno diventando sempre più capaci di aiutare il medico a consegnare cartelle cliniche complete, sono necessarie ulteriori soluzioni per risolvere il problema del tempo crescente assegnato alla cura indiretta del paziente.
L’intelligenza clinicambiente (ACI) è intesa come un ambiente digitale sensibile, adattivo e reattivo che circonda il medico e il paziente (54) e capace, per esempio, di analizzare il colloquio e riempire automaticamente le cartelle cliniche elettroniche del paziente. Diversi progetti sono in corso per sviluppare un ACI, che sarebbe un’applicazione cruciale dell’intelligenza artificiale in medicina e molto necessaria per risolvere i problemi moderni con la forza lavoro dei medici.
Una delle grandi barriere all’adozione di tecnologie mediche intelligenti nei medici è la paura di una disumanizzazione della medicina. Ciò è dovuto principalmente al crescente onere amministrativo (12) imposto ai medici. Tuttavia, le moderne tecnologie come l’ACI e l’elaborazione del linguaggio naturale sono destinate a risolvere il problema del carico amministrativo e aiuteranno i medici a concentrarsi maggiormente sul paziente.
3.5. I medici saranno sostituiti dall’intelligenza artificiale?
Come recentemente discusso in letteratura (15, 16) i medici molto probabilmente non saranno sostituiti dall’intelligenza artificiale: le tecnologie mediche intelligenti esistono come supporto al medico per migliorare la gestione del paziente. Come hanno indicato recenti studi (45), tuttavia, si verificano spesso confronti tra soluzioni di intelligenza artificiale e medici, come se le due controparti fossero in competizione. Gli studi futuri dovrebbero concentrarsi sul confronto tra i medici che usano soluzioni di intelligenza artificiale e i medici senza l’aiuto di tali applicazioni, ed estendere tali confronti agli studi clinici traslazionali; solo allora l’intelligenza artificiale sarà accettata come complementare ai medici. Gli operatori sanitari si trovano oggi in una posizione privilegiata, per essere in grado di accogliere l’evoluzione digitale ed essere i principali motori del cambiamento, anche se è necessaria un’importante revisione della formazione medica per fornire ai futuri leader le competenze per farlo.
Conclusione
L’implementazione dell’intelligenza artificiale nella pratica clinica è un’area di sviluppo promettente, che si evolve rapidamente insieme agli altri campi moderni della medicina di precisione, della genomica e del teleconsulto. Mentre il progresso scientifico dovrebbe rimanere rigoroso e trasparente nello sviluppo di nuove soluzioni per migliorare l’assistenza sanitaria moderna, le politiche sanitarie dovrebbero ora concentrarsi su come affrontare le questioni etiche e finanziarie associate a questa pietra miliare dell’evoluzione della medicina.
Contributi degli autori
Tutti gli autori elencati hanno dato un contributo sostanziale, diretto e intellettuale al lavoro e lo hanno approvato per la pubblicazione.
Conflitto di interessi
Gli autori dichiarano che la ricerca è stata condotta in assenza di relazioni commerciali o finanziarie che potrebbero essere interpretate come un potenziale conflitto di interessi.
1. Steinhubl SR, Muse ED, Topol EJ. Il campo emergente della salute mobile. 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. Intelligenza artificiale in ingegneria biomedica e informatica: un’introduzione e revisione. 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. Un quadro distribuito per lo scambio di informazioni sanitarie utilizzando tecnologie smartphone. 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. Un decennio di innovazione della medicina digitale. 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. Associazione di un’applicazione smartphone con aderenza ai farmaci e controllo della pressione sanguigna: lo studio clinico randomizzato MedISAFE-BP. 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. Navigazione e robotica in chirurgia spinale: a che punto siamo? Neurochirurgia. (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 con HoloLens: dove la realtà virtuale incontra la realtà aumentata in sala operatoria. 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. Revisione del trattamento della realtà virtuale in psichiatria: prove contro la diffusione e l’uso attuali. 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. L’efficacia della distrazione della realtà virtuale per la riduzione del dolore: una revisione sistematica. 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, German Medical Education Society (GMA) “Digitization-Technology-Assisted Learning and Teaching” gruppo di lavoro congiunto “Technology-enhanced Teaching and Learning in Medicine (TeLL)” della german association for medical informatics biometry and epidemiology (gmds) e la German Informatics Society (GI). Insegnamento digitale e medicina digitale: è necessaria un’iniziativa nazionale. 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. Valutazione dell’allocazione del tempo di degenza tra i residenti del primo anno di medicina interna utilizzando le osservazioni del tempo di movimento. 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. Burnout medico: contributori, conseguenze e soluzioni. J Int Med. (2018) 283:516-29. doi: 10.1111/joim.12752
PubMed Abstract | CrossRef Full Text | Google Scholar
14. Shah NR. Assistenza sanitaria nel 2030: l’intelligenza artificiale sostituirà i medici? Ann Int Med. (2019) 170:407-8. doi: 10.7326/M19-0344
PubMed Abstract | CrossRef Full Text | Google Scholar
15. Topol EJ. Medicina ad alte prestazioni: la convergenza dell’intelligenza umana e artificiale. 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. Ciò che questo computer ha bisogno è un medico: umanesimo e intelligenza artificiale. JAMA. (2018) 319:19-20. doi: 10.1001/jama.2017.19198
PubMed Abstract | CrossRef Full Text | Google Scholar
17. Prezzo WN, Gerke S, Cohen IG. Potenziale responsabilità per i medici che utilizzano l’intelligenza artificiale. 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) Disponibile online a: https://www.lespecialiste.be/fr/debats/nous-devons-former-des-medecins-laquo-nbsp-augmentes-raquo.html (accesso al 26 ottobre 2019).
Google Scholar
19. Halcox JPJ, Wareham K, Cardew A, Gilmore M, Barry JP, Phillips C, et al. Valutazione del campionamento remoto del ritmo cardiaco utilizzando il monitor cardiaco AliveCor per lo screening della fibrillazione atriale: lo studio REHEARSE-AF. 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. Razionale e progettazione di uno studio su larga scala, basato su app, per identificare le aritmie cardiache utilizzando uno smartwatch: lo studio del cuore della mela. 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 e ritmo cardiaco: a che punto siamo? 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. Previsione MACE della sindrome coronarica acuta tramite classificazione boosted resampling utilizzando le cartelle cliniche elettroniche. 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. Analisi delle tecniche di apprendimento automatico per le riammissioni di insufficienza cardiaca. 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. Applicazioni dell’intelligenza artificiale in cardiologia. Il futuro è già qui. 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. L’intelligenza artificiale supera i pulmonologi nell’interpretazione dei test di funzionalità polmonare. Eur Respirat J. (2019) 53:1801660. doi: 10.1183/13993003.01660-2018.
PubMed Abstract | CrossRef Full Text | Google Scholar
26. Delclaux C. Non c’è bisogno che gli pneumologi interpretino i test di funzionalità polmonare. 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. Esperienze di pazienti e caregiver di utilizzare il monitoraggio continuo del glucosio per sostenere l’autogestione del diabete: studio qualitativo. 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. Precisione di un sensore di glucosio continuo sottocutaneo di quarta generazione. 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. L’intelligenza artificiale può prevedere il declino del GFR nel corso della 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. Una rete neurale artificiale può selezionare i pazienti ad alto rischio di sviluppare la nefropatia progressiva IgA più accuratamente di nefrologi esperti. Nephrol Dialysis, Transplant. (1998) 13:67-71.
PubMed Abstract | Google Scholar
31. Niel O, Bastard P. Intelligenza artificiale in nefrologia: concetti fondamentali, applicazioni cliniche e prospettive. 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. Applicazione dell’intelligenza artificiale in gastroenterologia. 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. Esplorazione del potenziale clinico di un metodo automatico di rilevamento dei polipi del colon basato sulla creazione di mappe energetiche. Endoscopia. (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. Le reti neurali artificiali sono in grado di riconoscere i pazienti con malattia da reflusso gastro-esofageo solo sulla base di dati clinici. 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. Possibile contributo delle reti neurali artificiali e dell’analisi discriminante lineare nel riconoscimento dei pazienti con sospetta gastrite corporea atrofica. 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. Previsione del risultato in emorragia acuta gastrointestinale inferiore basato su una rete neurale artificiale: validazione interna ed esterna di un modello predittivo. 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. Previsione di sopravvivenza in pazienti con carcinoma esofageo utilizzando reti neurali artificiali. Cancer. (2005) 103:1596-605. doi: 10.1002/cncr.20938
PubMed Abstract | CrossRef Full Text | Google Scholar
38. Peng JC, Ran ZH, Shen J. Variazione stagionale in insorgenza e ricaduta di IBD e un modello per prevedere la frequenza di insorgenza, ricaduta e gravità di IBD basato su rete neurale artificiale. 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. L’intelligenza artificiale può aiutare a prevedere la necessità di ulteriore chirurgia dopo la resezione endoscopica del cancro colorettale T1. Endoscopia. (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 nomogramma predice metastasi a distanza post-operatoria per i pazienti con carcinoma a cellule squamose dell’esofago. 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. Dispositivi multimodali da polso per la rilevazione delle crisi e l’avanzamento della ricerca: focus sui braccialetti Empatica. 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. Teleneurologia e tecnologie mobili: il futuro delle cure neurologiche. 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. Patologia computazionale di grado clinico utilizzando l’apprendimento profondo debolmente supervisionato su immagini di vetrini interi. 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. Un confronto delle prestazioni di apprendimento profondo contro gli operatori sanitari nel rilevamento di malattie da imaging medico: una revisione sistematica e meta-analisi. 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. La “scomoda verità” sull’IA nell’assistenza sanitaria. 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. Sfide chiave per ottenere un impatto clinico con l’intelligenza artificiale. BMC Med. (2019) 17:195. doi: 10.1186/s12916-019-1426-2
PubMed Abstract | CrossRef Full Text | Google Scholar
48. Mittelstadt B. Etica dell’internet delle cose legate alla salute: una revisione narrativa. Etica Informat Technol. (2017) 19:157-75. doi: 10.1007/s10676-017-9426-4
CrossRef Full Text | Google Scholar
49. Williamson JB. Preservare la riservatezza e la sicurezza delle informazioni sanitarie dei pazienti. Top Health Informat Manage. (1996) 16:56-60.
PubMed Abstract | Google Scholar
50. Montgomery J. La condivisione dei dati e l’idea di proprietà. 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. Il caso per la proprietà pubblica dei dati dei pazienti. JAMA. (2009) 302:86-8. doi: 10.1001/jama.2009.965
PubMed Abstract | CrossRef Full Text | Google Scholar
52. Mikk KA, Sleeper HA, Topol EJ. Il percorso verso la proprietà dei dati del paziente e una migliore salute. JAMA. (2017) 318:1433-4. doi: 10.1001/jama.2017.12145
PubMed Abstract | CrossRef Full Text | Google Scholar
53. Brouillette M. AI aggiunto al curriculum per i futuri medici. 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. Un sondaggio sull’intelligenza ambientale nell’assistenza sanitaria. Proc IEEE Inst Electron Eng. (2013) 101:2470-94. doi: 10.1109/JPROC.2013.2262913
PubMed Abstract | CrossRef Full Text | Google Scholar
Lascia un commento