Frontiers in Medicine
On 10月 30, 2021 by adminIntroduction
「医療技術」という表現は、早期診断、合併症の低減、治療の最適化、低侵襲な選択肢の提供、入院期間の短縮などにより、医療従事者が患者や社会により良い生活の質を提供できるような一連のツールに広く用いられています。 モバイル時代以前は、医療技術は主に古典的な医療機器(人工関節、ステント、インプラントなど)として知られていましたが、スマートフォン、ウェアラブル、センサー、通信システムの出現により、人工知能(AI)を搭載したツール(アプリケーションなど)を非常に小さなサイズに収めることができ、医療に大きな変化をもたらしています(1)。 AI は医療技術に革命をもたらし、一般に、膨大な量のデータがありながら理論がほとんどない分野で、多くのアプリケーションを持つ複雑な問題を扱うことができるコンピューター サイエンスの一部として理解することができます (2)。
インテリジェント医療技術(すなわち, スマートフォンは、例えば、電子個人健康記録(4)を記入・配布し、バイオセンサーで生命機能を監視し(5)、最適な治療コンプライアンスを達成するのに役立ち(6)、したがって、ケア経路の主役として患者にその場を提供することができるようになりつつあるため、一般市民から熱狂的に受け入れられている(3)。 インテリジェントな医療技術の開発は、医療における新しい分野、すなわち臨床診療のさまざまな側面を改善するための新しい医療技術の使用である拡張医療の開発を可能にしています。 いくつかのAIベースのアルゴリズムは、過去10年間に食品医薬品局(FDA)によって承認されており、したがって実装することが可能である。 拡張医療はAIベースの技術だけでなく、コンピュータ支援手術のための手術ナビゲーションシステム(7)、手術、疼痛管理、精神疾患のための仮想現実連続体ツール(8~10)など、他のいくつかのデジタルツールによっても実現されている。 第一に、デジタル医療の可能性についての準備不足は、この分野に関する基礎教育や継続的な教育が明らかに不足していることに起因している(11)。 第二に、医療プロセスの早期デジタル化は、拡張医療の約束とは全く異なり、主に電子カルテに関連した管理負担の急増を伴い、これは医師の燃え尽きの主要な要素の1つとして知られるようになった(12)。 第三に、AIが医師に取って代わるのではないかという懸念が高まっている(14)。しかし、文献上では、AIが将来的に医師の知能を補完するという意見が主流である(15、16)。 第4に、アルゴリズム推奨の採用または拒否の場合の責任の概念を定義する法的枠組みが現在世界的に欠如しているため、AIを使用する場合、医師は潜在的な法的結果にさらされることになります(17)。
本稿の目的は、医療におけるAIの最近の動向をまとめ、AIを搭載した医療技術がすでに臨床で使用できる主なユースケースを提供し、臨床と将来の医療リーダーの教育の両方で、医療従事者と機関が拡張医療を実施中に直面する課題とリスクに関する展望を示すことである
Current Applications of Artificial Intelligence in Medicine
2.1. 循環器内科
2.1.1. 心房細動
心房細動の早期発見は、医療におけるAIの最初の応用例の1つである。 AliveCor社は2014年に、スマートフォンによる心電図モニタリングと心房細動の検出を可能にするモバイルアプリケーションKardiaのFDA承認を取得した。 最近のREHEARSE-AF研究(19)では、外来患者におけるKardiaによる遠隔心電図モニタリングは、ルーチンケアよりも心房細動を特定する可能性が高いことが示されている。 また、Appleは、心電図を簡単に取得し、心房細動を検出し、スマートフォンを通じて希望の開業医と共有できるApple Watch 4のFDA承認を取得した(20)。 ウェアラブルおよびポータブルECG技術に関するいくつかの批判が取り上げられており(21)、動作アーチファクトに起因する偽陽性率などの使用に対する限界や、心房細動に苦しむ可能性が高い高齢患者におけるウェアラブル技術の採用の障壁が強調されています。 心血管リスク<8256><9777>電子患者記録に適用されたAIは,例えば急性冠症候群(22)や心不全(23)などの心血管疾患のリスクを従来の尺度よりもよく予測するために用いられてきた。 しかし、最近の包括的なレビュー(24)では、研究報告で使用されたサンプルサイズによって結果が異なることが報告されています
2.2. Pulmonary Medicine
肺機能検査の解釈は、肺医学におけるAIアプリケーションの開発の有望な分野であると報告されている。 最近の研究(25)では、肺機能検査の結果を解釈する際に、AIベースのソフトウェアがより正確な解釈を提供し、意思決定支援ツールとして機能することが報告された。 この研究はいくつかの批判を受け、そのうちの1つ(26)は、研究に参加した肺臓専門医の正確な診断率が、国内平均よりもかなり低いことを報告した
2.3. 内分泌学
持続的グルコースモニタリングにより、糖尿病患者はリアルタイムの間質性グルコース測定値を見ることができ、血糖値の変化の方向と速度に関する情報を得ることができる(27)Medtronicは、スマートフォンと対になっているグルコースモニタリング用システム「ガーディアン」についてFDA承認を得ている(28)。 2018年には、同社がWatson(IBMが開発したAI)と提携したSugar.IQシステムで、繰り返し測定に基づく低血糖エピソードを顧客がよりよく予防できるよう支援することを発表しました。 持続的な血糖値モニタリングは、患者の血糖コントロールを最適化し、低血糖エピソードに関連するスティグマを減らすことができますが、血糖値モニタリングの患者の経験に焦点を当てた研究では、参加者は通知に対する自信を示す一方で、血糖値を調節するために個人的に失敗したという感情も宣言したと報告しています(27)
2.4. 腎臓学
人工知能は、臨床腎臓学のいくつかの場面で応用されている。 例えば、多発性嚢胞腎患者における糸球体濾過量の低下予測(29)、進行性IgA腎症のリスク確立(30)などに有用であることが証明されている。 しかし、最近のレビューでは、現時点では、推論に必要なサンプルサイズによって研究が制限されていることが報告されている(31)。 Gastroenterology
The specialty of gastroenterology benefits from wide range of AI applications in clinical settings.消化器病学は、臨床現場における幅広いAIアプリケーションの恩恵を受けています。 消化器内科医は、内視鏡や超音波からの画像を処理し(32)、大腸ポリープなどの異常構造を検出するために、他の深層学習モデルの中でも畳み込みニューラルネットワークを使用した(33)。 また、人工ニューラルネットワークは、胃食道逆流症(34)や萎縮性胃炎(35)の診断や、消化管出血(36)、食道がんの生存(37)、炎症性腸疾患(38)、大腸がん(39)や食道扁平上皮がん(40)の転移の予測にも使用されています<713><881>2.6. 神経内科
2.6.1. てんかん
インテリジェント発作検出デバイスは、永久的な外来モニタリングを通じて発作管理を改善する可能性を持つ有望な技術である。 Empaticaは2018年に、電気皮膚キャプチャに関連するウェアラブルEmbraceのFDA承認を受け、全身てんかん発作を検出し、近親者や信頼できる医師に患者の局在に関する補足情報を警告することができるモバイルアプリケーションに報告することができます(41)。 患者の経験に焦点を当てた報告では、心臓モニタリングのウェアラブルとは対照的に、てんかんを患う患者は発作検出装置の導入に何の障害もなく、ウェアラブルの使用に対して高い関心を示していることが明らかになりました(42)。 歩行、姿勢、振戦の評価<8256><9777>ウェアラブルセンサーは、多発性硬化症、パーキンソン病、パーキンソニズム、ハンチントン病の患者における歩行、姿勢、振戦を定量的に評価するのに有用であることが分かっている(43)<713><881>2.7. 組織病理学における癌の計算診断
Paige.ai は、計算組織病理学において癌を高い精度で診断できるAIベースのアルゴリズムでFDAからブレークスルーステータスを獲得し、病理医が重要なスライドに集中する時間を獲得できるようにした(44)
2.8. Medical Imaging and Validation of AI-Based Technologies
A longawaited meta-analysis compared performance of deep learning software and radiologists in the field of imaging-based diagnosis (45): Deep learning seems to be as efficient as radiologist for diagnosis, but the authors that 99% of studies found not have a reliable design; furthermore, only one thousand of the paper that reviewed by algorithms diagnose medical imaging from other source populations. これらの知見は、厳密な臨床試験を通じたAIベースの技術の広範な検証の必要性を支持している(5)<713><7269>討論 医療における人工知能の課題と今後の方向性
3.1. AIを用いた技術の検証。 Toward a Replication Crisis?
今後数年間の医療におけるAIの応用の中核的な課題の1つは、最近開発されたコアコンセプトとツールの臨床的検証であろう。 多くの研究がすでにAIの有用性を紹介しており,有望な結果に基づいて明確な機会が与えられているが,よく認識され,頻繁に報告されているAI研究のいくつかの限界が,そのような検証を複雑にしている可能性が高い。 713>
第一に、AIと臨床医の効率を比較する研究の大半は、信頼性の低いデザインであることが分かっており、一次再現性、すなわち、アルゴリズムの訓練に使用したサンプルとは別のソースから得たサンプルで開発したアルゴリズムの検証を欠いていることが知られている(45)。 オープンデータとオープンメソッドは、研究のベストプラクティスとしてますます注目されるに違いないため、この困難はオープンサイエンス時代に克服される可能性がある。 しかし、オープンサイエンスへの移行は、コアビジネスとしてソフトウェアを開発する医療AI企業にとって困難であることが判明するかもしれません。
第二に、臨床診療におけるAIアプリケーションを報告する研究は、レトロスペクティブデザインとサンプルサイズのために限られていることが知られています。このようなデザインには選択およびスペクトラムバイアス、すなわちモデルが与えられたデータセットを最適に適合するように開発されているが(これはオーバーフィットとも呼ばれる現象)、他のデータセットに同じ結果を再現しない可能性もあります (32). オーバーフィッティングが疑われるアルゴリズムを採用した後も、患者の人口統計の変動にソフトウェアを適応させるために、継続的な再評価とキャリブレーションが必要なはずである(46)。 さらに、サブグループを考慮しながらより大きなコミュニティに適合するように設計されたアルゴリズムの開発の必要性についてのコンセンサスが高まっている(47)。
第三に、同じデータセットに基づいてAIと臨床医を比較する研究はほとんど知られていない。そのシナリオでさえ、専門医の予想よりも低い診断精度率を指摘する批判がなされている。 (26). AIと臨床医を対立させることは、科学文献ではよく知られているが、おそらく医療専門性におけるパフォーマンスの問題に取り組む最善の方法ではない。現在、いくつかの研究が臨床医とアルゴリズムの相互作用にアプローチしており(47)、人間と人工知能の組み合わせはどちらか単独よりも優れているとしている<713><881>3.2. 継続的なモニタリングの倫理的意味合い
医療技術は21世紀で最も有望な市場の一つであり、2019年の推定市場価値は急速に1000億ドルに近づくと言われています。 収益のうち、医療機器(心臓モニタリング機器など)の小売が、主要なターゲット消費者プロファイルではない若年層(心房細動などの健康問題が現れにくいため)に対して行われる割合が増加していることが原因である。 この現象のため、モノのインターネット (IoT) は、健康な個人の概念を、定量化された自己 (スマートフォンまたはウェアラブルにコード化された個人指標) と、ウェアラブルが提供する一連のライフスタイル パラメータ (活動監視、体重管理など) の組み合わせとして再定義しています
さらに、ここ数年、いくつかのウェアラブル企業は、保険会社または政府との間で、製品の大規模配信を組織する重要な取引を行ってきており、この種の取り組みは主に大規模集団におけるライフスタイル変化を誘発することが目的になっています。 欧米諸国では、患者の健康や幸福に対する個人の責任を中心とした医療制度への移行が進んでいるが、モノのインターネットを通じた医療機器による継続的な医療モニタリングの倫理的意味については、しばしば議論されるところである。 たとえば、継続的なモニタリングとプライバシー侵害は、慢性疾患またはより不利な市民に対するスティグマを増加させる可能性があり(48)、健康保険やケアへのアクセスを減らすなどして、健康的なライフスタイルの新しい基準を採用できない市民を罰する可能性があります。 個別化医療を実現するために患者データの共有化を主張する研究もあるが(50, 51)、患者と医療従事者の間でデータ利用契約を結べば、患者の関与にプラスの効果があり、情報共有も向上するとして、患者所有の方向で意見が一致している (52)…
3.3. 拡張された医師を教育する必要性
医療における人工知能の課題に対する将来の医療リーダーを教育する必要性に答えるために、いくつかの大学が工学博士(18)を含む新しい医療カリキュラムを作り始めている(53)。 このようなカリキュラムでは、物理学や数学などのハードサイエンスへのアプローチが強化され、計算科学、コーディング、アルゴリズム、メカトロニクス工学が加わっている。 これらの「拡張された医師」は、臨床経験とデジタル専門知識の両方を頼りに、現代の健康問題を解決し、医療機関のデジタル戦略の定義に参加し、デジタル移行を管理し、患者や仲間を教育することになるでしょう。 基礎的な医学教育はもちろん、デジタル医療に関する継続的な教育プログラムの実施や、この成長分野での再教育を可能にするために、既卒医師を対象とした教育プログラムの実施が必要である。 世界の最先端の病院では、そのような専門家がCMIO(Chief Medical Information Officer)の任務を担っています。 アンビエント・クリニカル・インテリジェンスの約束。 テクノロジーによる非人間化の回避
いくつかの研究で報告されているように(12、13)、電子医療記録は重要な管理負担となり、研修中の医師にますます見られる現象、燃え尽きの原因になる可能性があります。 自然言語処理などの人工知能ソリューションは、医師が完全な医療記録を提供することを支援する能力が高まっていますが、間接的な患者ケアに割り当てられる時間が増えているという問題を解決するには、さらなるソリューションが必要です。
環境臨床知能(ACI)は、医師と患者を取り巻く敏感で適応的で応答性の高いデジタル環境(54)として理解されており、例えば、インタビューを分析し患者の電子医療記録を自動的に埋めることが可能です。 ACIを開発するためのいくつかのプロジェクトが進行中であり、これは医療における人工知能の重要な応用であり、医師の労働力に関する現代の問題を解決するために大いに必要とされている。
医師における知的医療技術の採用に対する大きな障害の1つは、医療の非人間化に対する恐怖である。 これは主に、医師に課される管理負担の増大(12)によるものである。 しかし、ACI や自然言語処理のような最新のテクノロジーは、管理負担の問題を解決し、臨床医がより患者に集中できるようにするはずである
3.5. 医師は人工知能に取って代わられるのか?
最近文献で議論されたように(15、16)、医師が人工知能に取って代わられることはまずないでしょう:スマート医療技術は、患者管理を改善するために医師のサポートとして存在します。 しかし、最近の研究(45)で指摘されているように、人工知能ソリューションと医師があたかも競合しているかのような比較が頻繁に行われている。 今後の研究では、人工知能ソリューションを使用する医師と、そのようなアプリケーションの助けを借りない医師との比較に焦点を当て、それらの比較をトランスレーショナルクリニック試験にまで拡大する必要があります。 医療従事者は今日、デジタルの進化を歓迎し、変化の主役となることができる特権的な立場にありますが、将来のリーダーにそのための能力を与えるために、医学教育の大幅な見直しが必要とされています
Conclusion
臨床診療における人工知能の導入は、精密医療、ゲノム、遠隔診療といった最新の分野とともに急速に進化する、将来性のある分野といえます。 科学的進歩は、現代の医療を改善するための新しいソリューションの開発において厳密かつ透明性を保つべきである一方で、医療政策は今、医療の進化の礎となるこの問題に関連する倫理的・財政的な問題に取り組むことに焦点を当てるべきである。
Author Contributions
記載されているすべての著者は、この作品に対して実質的・直接的・知的貢献を行い、出版することを承認しています。
Conflict of Interest
著者らは、潜在的な利益相反と解釈される商業的または金銭的関係がない状態で研究が行われたことを宣言する。
1. Steinhubl SR, Muse ED, トポルEJ.著『医療と健康』(岩波書店)。 モバイルヘルスの新分野。 Sci Trans Med. (2015) 7:283rv3. doi: 10.1126/scitranslmed.aaa3487
PubMed Abstract | CrossRef Full Text | Google Scholar
2.モバイルヘルスの新興領域。 生体医工学と情報科学における人工知能:導入とレビュー。 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 Laboratory Medicine in context of emerging technologies, personalised medicine and patient autonomy (‘4P medicine’).新しいテクノロジーと患者自主性に基づく、検査医としての医師の役割の再考。 J Clin Pathol. (2019) 72:191-7. doi: 10.1136/jclinpath-2017-204734
PubMed Abstract | CrossRef Full Text | Google Scholar
4.この論文では、臨床検査医学の役割の再定義と、臨床検査医の役割の再定義について説明する。 Abdulnabi M, Al-Haiqi A, Kiah MLM, Zaidan AA, Zaidan BB, Hussain M. A distributed framework for health information exchange using smartphone technologies.(スマートフォン技術を用いた健康情報交換のための分散型フレームワーク). J Biomed Informat. (2017) 69:230-50. doi: 10.1016/j.jbi.2017.04.013
PubMed Abstract | CrossRef Full Text | Google Scholar
5.スマートフォンを用いた健康情報交換の分散フレームワーク。 トポルEJ. デジタルメディスン革新の10年。 Sci Trans Med. (2019) 11:7610. doi: 10.1126/scitranslmed.aaw7610
PubMed Abstract | CrossRef Full Text | Google Scholar
6.トポルEJ.デジタル医療イノベーションの10年。 Morawski K, Ghazinouri R, Krumme A, Lauffenburger JC, Lu Z, Durfee E, et al. スマートフォンアプリケーションと服薬遵守および血圧コントロールの関連:MedISAFE-BP無作為化臨床試験. 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.(オーバーレイSC, チョSK, メータAI, アルノルドPM. 脊椎手術におけるナビゲーションとロボット工学:我々は今どこにいるのか? Neurosurgery. (2017) 80:S86-99. doi: 10.1093/neuros/nyw077
PubMed Abstract | CrossRef Full Text | Google Scholar
8.脊椎手術のナビゲーションとロボット:今どこにいる? Tepper OM, Rudy HL, Lefkowitz A, Weimer KA, Marks SM, Stern CS, et al. HoloLensによる複合現実:手術室における仮想現実と拡張現実が出会う場所. Plast Reconstruct Surg. (2017) 140:1066-70. doi: 10.1097/PRS.0000000000003802
PubMed Abstract | CrossRef Full Text | Google Scholar
9.手術室と手術室との複合現実感。 ミッシュキンドMC、ノールAM、カッツAC、レガーGM。 精神医学におけるバーチャルリアリティ治療のレビュー:エビデンスと現在の普及・使用状況との比較。 Curr Psychiat Rep. (2017) 19:80. doi: 10.1007/s11920-017-0836-0
PubMed Abstract | CrossRef Full Text | Google Scholar
10.精神科におけるバーチャルリアリティ治療のレビュー:エビデンスと現在の普及状況。 マロイKM、ミリングLS。 痛み軽減のためのバーチャルリアリティディストラクションの有効性:システマティックレビュー。 (2010) 30:1011-8. doi: 10.1016/j.cpr.2010.07.001
PubMed Abstract | CrossRef Full Text | Google Scholar
11.マロイKM、ミリングLS.痛みの軽減のための仮想現実気晴らしの有効性:系統的レビュー. Haag M, Igel C, Fischer MR, German Medical Education Society (GMA) “Digitization-Technology-Assisted Learning and Teaching” joint working group “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). デジタル教育とデジタル医療:国家的なイニシアチブが必要である。 GMS J Med Educ. (2018) 35:Doc43. doi: 10.3205/zma001189
PubMed Abstract | CrossRef Full Text | Google Scholar
12.ドイツ医療情報学会(GMDS)、ドイツ医療情報学会(GI)、ドイツ医療情報学会(GI)、ドイツ医療情報学会(GMDS)、ドイツ医療情報学会(GI)。 Chaiyachati KH, Shea JA, Asch DA, Liu M, Bellini LM, Dine CJ, et al. 時間-動作観察を用いた内科1年目研修医の入院患者時間配分の評価。 JAMA Int Med. (2019) 179:760-7. doi: 10.1001/jamainternmed.2019.0095
PubMed Abstract | CrossRef Full Text | Google Scholar
13.内科研修医における時間配分の評価. West CP, Dyrbye LN, Shanafelt TD. 医師の燃え尽き症候群:その原因、結果、解決策。 J Int Med. (2018) 283:516-29. doi: 10.1111/joim.12752
PubMed Abstract | CrossRef Full Text | Google Scholar
14.医師バーンアウト:その要因と解決策。 シャー・NR. 2030年のヘルスケア:人工知能は医師に取って代わるか? アン・イント・メッド (2019) 170:407-8. doi: 10.7326/M19-0344
PubMed Abstract | CrossRef Full Text | Google Scholar
15.医療は2030年、人工知能は医師に取って代わるか? Topol EJ. ハイパフォーマンス医療:人間と人工知能の融合。 Nat Med. (2019) 25:44-56. doi: 10.1038/s41591-018-0300-7
PubMed Abstract | CrossRef Full Text | Google Scholar
16.ハイパフォーマンス医療:人間と人工知能の融合。 Verghese A, Shah NH, Harrington RA. このコンピュータに必要なのは医師である:ヒューマニズムと人工知能。 JAMA. (2018) 319:19-20. doi: 10.1001/jama.2017.19198
PubMed Abstract | CrossRef Full Text | Google Scholar
17.このコンピュータに必要なものは、医師である。 プライスWN、ゲルケS、コーエンIG。 人工知能を使用する医師の潜在的な責任。 JAMA. (2019) 322:1765-6. doi: 10.1001/jama.2019.15064
CrossRef Full Text | Google Scholar
18.人工知能を使用する医師に対する責任の可能性(Price WN, Gerke, Cohen IG.). Briganti G. Nous Devons Former des Médecins ≪ augmentés ≫. ル・スペシャリスト. (2019)オンラインにて公開中。 https://www.lespecialiste.be/fr/debats/nous-devons-former-des-medecins-laquo-nbsp-augmentes-raquo.html(2019年10月26日アクセス).
Google Scholar
19. Halcox JPJ, Wareham K, Cardew A, Gilmore M, Barry JP, Phillips C, et al. 心房細動スクリーニングのためのAliveCor心臓モニターを用いた遠隔心拍サンプリングの評価: REHEARSE-AF study. Circulation. (2017) 136:1784-94. doi: 10.1161/CIRCULATIONAHA.117.030583
PubMed Abstract | CrossRef Full Text | Google Scholar
20.心筋梗塞のスクリーニングのための心拍サンプリング。 Turakhia MP, Desai M, Hedlin H, Rajmane A, Talati N, Ferris T, et al. スマートウォッチを用いて心不整脈を特定する大規模なアプリベースの研究の根拠とデザイン: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.邦訳:「心筋梗塞の診断と治療」(日本経済新聞出版社)。 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? アン・トランス・メッド (2019) 7:417. doi: 10.21037/atm.2019.06.79.
PubMed Abstract | CrossRef Full Text | Google Scholar
22.邦訳:「心拍リズムとウェアラブル」(日本経済新聞出版社)。 Huang Z, Chan TM, Dong W. Boosted Resampling classification via acute coronary syndrome using electronic medical records.電子カルテを用いた急性冠症候群のMACE予測。 J Biomed Inform. (2017) 66:161-70. doi: 10.1016/j.jbi.2017.01.001
PubMed Abstract | CrossRef Full Text | Google Scholar
23.急性冠症候群の予測。 Mortazavi BJ, Downing NS, Bucholz EM, Dharmarajan K, Manhapra A, Li SX, et al. 心不全再入院に対する機械学習手法の分析。 Circ Cardiovasc Qual Outcomes. (2016) 9:629-40. doi: 10.1161/CIRCOUTCOMES.116.003039
PubMed Abstract | CrossRef Full Text | Google Scholar
24.心不全の再入院に関する機械学習技術の分析(PubMed). Dorado-Díaz PI, Sampedro-Gómez J, Vicente-Palacios V, Sánchez PL.(ドラド・ディアスPI、サンペドロ・ゴメスJ、ビセンテ・パラシオスV、サンチェスPL)。 循環器内科における人工知能の応用。 未来はすでにここにある。 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. 人工知能は肺機能検査の解釈において肺専門医を凌駕している。 Eur Respirat J. (2019) 53:1801660. doi: 10.1183/13993003.01660-2018.
PubMed Abstract | CrossRef Full Text | Google Scholar
26.肺機能検査の解釈において、人工知能は肺専門医を上回る。 デルクローC. 肺機能検査の解釈を肺活量専門医が行う必要はない。 Eur Respirat J. (2019) 54:1900829. doi: 10.1183/13993003.00829-2019
PubMed Abstract | CrossRef Full Text | Google Scholar
27.肺機能検査の解釈をする肺専門医は必要ない。 Lawton J, Blackburn M, Allen J, Campbell F, Elleri D, Leelarathna L, et al. 患者と介護者が糖尿病の自己管理をサポートするために持続グルコースモニタリングを使用した経験:定性的調査。 BMC Endocrine Disord. (2018) 18:12. doi: 10.1186/s12902-018-0239-1
PubMed Abstract | CrossRef Full Text | Google Scholar
28.糖尿病患者の自己管理を支援するための持続的グルコースモニタリングの使用経験:定性的調査. Christianen MP, Garg SK, Brazg R, Bode BW, Bailey TS, Slover RH, et al. 第4世代皮下埋め込み型持続グルコースセンサーの正確さ。 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. 人工知能はADPKDの経過中にGFRの低下を予測できる。 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. 人工ニューラルネットワークは、進行性IgA腎症の発症リスクが高い患者を経験豊富な腎臓内科医よりも正確に選択することができる。 Nephrol Dialysis, Transplant. (1998) 13:67-71.
PubMed Abstract | Google Scholar
31. 腎臓内科における人工知能:コアコンセプト、臨床応用、および展望。 Am J Kidney Dis. (2019) 74:803-10. doi: 10.1053/j.ajkd.2019.05.020
PubMed Abstract | CrossRef Full Text | Google Scholar
32.腎臓病における人工知能:コアコンセプトと臨床応用、展望。 ヤンYJ、バンCS. 消化器病学における人工知能の応用。 World J Gastroenterol. (2019) 25:1666-83. doi: 10.3748/wjg.v25.i14.1666
PubMed Abstract | CrossRef Full Text | Google Scholar
33.ヤン・ヤン(Yang YJ). Fernández-Esparrach G, Bernal J, López-Cerón M, Córdova H, Sánchez-Montes C, Rodríguez de Miguel C, et al. エネルギーマップ作成に基づく大腸ポリープ自動検出法の臨床的可能性を探る。 Endoscopy. (2016) 48:837-42. doi: 10.1055/s-0042-108434
PubMed Abstract | CrossRef Full Text | Google Scholar
34.大腸ポリープの自動検出の可能性. 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 based on the clinical data.(人工ニューラルネットワークは、臨床データのみに基づいて胃食道逆流症の患者を認識できる)。 Eur J Gastroenterol Hepatol. (2005) 17:605-10. doi: 10.1097/00042737-200506000-00003
PubMed Abstract | CrossRef Full Text | Google Scholar
35.邦題:胃食道逆流症患者を臨床データのみに基づいて認識する人工神経回路。 Lahner E, Grossi E, Intraligi M, Buscema M, Corleto VD, Delle Fave G, et al. Possible contribution of artificial neural networks and linear discriminant analysis in recognition of patients with suspected atrophic body gastritis.萎縮性胃炎が疑われる患者の認識における人工ニューラルネットワークと線形判別分析の貢献。 World J Gastroenterol. (2005) 11:5867-73. doi: 10.3748/wjg.v11.i37.5867
PubMed Abstract | CrossRef Full Text | Google Scholar
36.邦訳:『胃炎』『胃炎』『胃炎』『胃炎球菌』『胃炎球菌』など。 Das A, Ben-Menachem T, Cooper GS, Chak A, Sivak MV, Gonet JA, et al. Piction of outcome in acute lower-gastrointestinal haemorrhage based on an artificial neural network: internal and external validation of a predictive model.(ニューラルネットワークに基づく急性下部消化管出血の予後予測:予測モデルの内部および外部検証). Lancet. (2003) 362:1261-6. doi: 10.1016/S0140-6736(03)14568-0
PubMed Abstract | CrossRef Full Text | Google Scholar
37.邦訳なし。 佐藤史郎、嶋田泰治、セラルFM、柴田大輔、前田正樹、渡辺剛、他 人工ニューラルネットワークによる食道癌患者の生存予測. Cancer. (2005) 103:1596-605. doi: 10.1002/cncr.20938
PubMed Abstract | CrossRef Full Text | Google Scholar
38.食道癌の生存期間予測。 Peng JC, Ran ZH, Shen J. IBDの発症と再発の季節変動と人工ニューラルネットワークに基づく発症・再発・重症度頻度予測モデル. Int J Colorect Dis. (2015) 30:1267-73. doi: 10.1007/s00384-015-2250-6
PubMed Abstract | CrossRef Full Text | Google Scholar
39.IBDの季節変動と人工ニューラルネットワークに基づく発症・再発・重症度予測モデル. 一正宏樹、工藤誠一、森由美子、三澤正樹、松平聡、甲山雄一、他 T1大腸癌の内視鏡切除後の追加手術の必要性予測に人工知能が役立つ可能性。 Endoscopy. (2018) 50:230-40. doi: 10.1055/s-0043-122385
CrossRef Full Text | Google Scholar
40.松平聡子、甲山由美子ら、内視鏡切除後の追加手術の必要性を予測する人工知能。 サポートベクターマシンベースのノモグラムは、食道扁平上皮癌患者の術後遠隔転移を予測する。 Br J Cancer. (2013) 109:1109-16. doi: 10.1038/bjc.2013.379
PubMed Abstract | CrossRef Full Text | Google Scholar
41.扁平上皮癌の術後遠隔転移の予測。 レガリアG、オノラティF、ライM、カボルニC、ピカードRW。 発作検出のためのマルチモーダル手首装着型デバイスと研究の進展:Empaticaリストバンドに注目。 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. てんかんにおけるウェアラブル技術:患者、介護者、医療専門家の見解。 Epilep Behav. (2018) 85:141-9. doi: 10.1016/j.yebeh.2018.05.044
PubMed Abstract | CrossRef Full Text | Google Scholar
43.癲癇におけるウェアラブルテクノロジー:患者、介護者、医療専門家の見解. Dorsey ER, Glidden AM, Holloway MR, Birbeck GL, Schwamm LH. テレニューロロジーとモバイルテクノロジー:神経学的ケアの未来。 Nat Rev Neurol. (2018) 14:285-97. doi: 10.1038/nrneurol.2018.31
PubMed Abstract | CrossRef Full Text | Google Scholar
44.邦訳:「神経学とモバイルテクノロジー:神経医療の未来」(日本経済新聞出版社)。 Campanella G, Hanna MG, Geneslaw L, Miraflor A, Silva VWK, Busam KJ, et al. スライド画像全体に対する弱教師付き深層学習を用いた臨床グレードの計算病理学. Nat Med. (2019) 25:1301-9. doi: 10.1038/s41591-019-0508-1
PubMed Abstract | CrossRef Full Text | Google Scholar
45.邦訳:「臨床級計算病理学」(邦訳は「臨床級計算病理学」)。 Liu X, Faes L, Kale AU, Wagner SK, Fu DJ, Bruynseels A, et al. 医療画像から病気を検出する際の医療従事者に対する深層学習の性能比較:系統的レビューとメタ分析. Lancet Digit Health. (2019) 1:e271-97. doi: 10.1016/S2589-7500(19)30123-2
CrossRef Full Text | Google Scholar
46.邦訳:「医療画像から病気を検出するためのディープラーニングの性能比較:システマティックレビューとメタアナリシス」。 パンチT、マティH、セリLA。 ヘルスケアにおけるAIに関する「不都合な真実」。 NPJ Digit Med. (2019) 2:1-3. doi: 10.1038/s41746-019-0155-4
PubMed Abstract | CrossRef Full Text | Google Scholar
47.医療におけるAIに関する不都合な真実. Kelly CJ, Karthikesalingam A, Suleyman M, Corrado G, King D. Key challenges for delivering clinical impact with artificial intelligence.(人工知能で臨床的インパクトを与えるための主要な課題)。 BMC Med. (2019) 17:195. doi: 10.1186/s12916-019-1426-2
PubMed Abstract | CrossRef Full Text | Google Scholar
48.人工知能を用いた臨床インパクトの実現に向けた主要な課題(Key challenges with clinical impact with artificial intelligence). Mittelstadt B. Ethics of the health-related internet of things: a narrative review. エシックス・インフォマット・テクノル。 (2017) 19:157-75. doi: 10.1007/s10676-017-9426-4
CrossRef Full Text | Google Scholar
49.ミッテルシュタットB.エシックス・インフォマート・テクノロジー. ウィリアムソンJB. 患者の医療情報の機密性と安全性の保持。 トップヘルスインフォマットマネージ。 (1996) 16:56-60.
PubMed Abstract | Google Scholar
50. モンゴメリーJ. データ共有と所有権の考え方. ニューバイオエス・マルチディシプリン・ジェイ・バイオテクノル体. (2017) 23:81-6. doi: 10.1080/20502877.2017.1314893
PubMed Abstract | CrossRef Full Text | Google Scholar
51.データ共有と所有権という考え。 ロドウィン MA. 患者データの公的所有のためのケース。 JAMA. (2009) 302:86-8. doi: 10.1001/jama.2009.965
PubMed Abstract | CrossRef Full Text | Google Scholar
52.患者データの公的所有のケース(Public ownership). Mikk KA, Sleeper HA, Topol EJ. 患者データの所有権とより良い健康への道筋。 JAMA. (2017) 318:1433-4. doi: 10.1001/jama.2017.12145
PubMed Abstract | CrossRef Full Text | Google Scholar
53.患者データの所有権への道。 Brouillette M. 医師になる人のためのカリキュラムに追加されたAI。 Nat Med. (2019). 25:1808-9. doi: 10.1038/s41591-019-0648-3
PubMed Abstract | CrossRef Full Text | Google Scholar
54.斉藤恭一郎(斉藤恭一郎)著. Acampora G, Cook DJ, Rashidi P, Vasilakos AV. このような場合、「医療におけるアンビエントインテリジェンスに関するサーベイ」を実施する。 Proc IEEE Inst Elect Electron Eng. (2013) 101:2470-94. doi: 10.1109/JPROC.2013.2262913
PubMed Abstract | CrossRef Full Text | Google Scholar
コメントを残す