Frontiers in Medicine
On oktober 30, 2021 by adminIntroduction
De uitdrukking “medische technologie” wordt algemeen gebruikt om een reeks hulpmiddelen aan te duiden die gezondheidswerkers in staat kunnen stellen patiënten en de samenleving een betere levenskwaliteit te bieden door vroegtijdige diagnoses te stellen, complicaties te verminderen, behandelingen te optimaliseren en/of minder invasieve opties aan te bieden, en de duur van ziekenhuisopname te verkorten. Terwijl vóór het mobiele tijdperk medische technologieën vooral bekend stonden als klassieke medische hulpmiddelen (bv. prothesen, stents, implantaten), heeft de opkomst van smartphones, wearables, sensoren en communicatiesystemen een revolutie in de geneeskunde teweeggebracht door de mogelijkheid om kunstmatige intelligentie (AI) aangedreven hulpmiddelen (zoals toepassingen) in zeer kleine afmetingen te bevatten (1). AI heeft een revolutie teweeggebracht in de medische technologieën en kan algemeen worden opgevat als het deel van de computerwetenschap dat in staat is om complexe problemen aan te pakken met veel toepassingen op gebieden met enorme hoeveelheden gegevens maar weinig theorie (2).
Intelligente medische technologieën (d.w.z., AI-aangedreven) zijn met enthousiasme ontvangen door de algemene bevolking, deels omdat het een 4P-model van geneeskunde (Predictive, Preventive, Personalized, and Participatory) en dus autonomie van de patiënt mogelijk maakt, op manieren die niet mogelijk waren (3); smartphones worden bijvoorbeeld het go-to item om een elektronisch persoonlijk gezondheidsdossier in te vullen en te verspreiden (4), vitale functies te monitoren met biosensoren (5) en te helpen bij het bereiken van optimale therapeutische therapietrouw (6), waardoor de patiënt de plek krijgt als de belangrijkste actor in het zorgtraject. De ontwikkeling van intelligente medische technologieën maakt de ontwikkeling mogelijk van een nieuw gebied in de geneeskunde: augmented medicine, d.w.z. het gebruik van nieuwe medische technologieën om verschillende aspecten van de klinische praktijk te verbeteren. Verscheidene op AI gebaseerde algoritmen zijn de afgelopen tien jaar door de Food and Drug Administration (FDA) goedgekeurd en kunnen dus worden toegepast. Augmented medicine wordt niet alleen mogelijk gemaakt door AI-gebaseerde technologieën, maar ook door verschillende andere digitale hulpmiddelen, zoals chirurgische navigatiesystemen voor computerondersteunde chirurgie (7), virtual reality continuüm hulpmiddelen voor chirurgie, pijnbestrijding en psychiatrische stoornissen (8-10).
Hoewel augmented medicine succes lijkt te hebben bij patiënten, kan het op een zekere weerstand stuiten bij professionals in de gezondheidszorg, met name artsen: met betrekking tot dit fenomeen dienen vier veelbesproken redenen te worden aangevoerd. Ten eerste is de onvoorbereidheid ten aanzien van de mogelijkheden van digitale geneeskunde te wijten aan het duidelijke gebrek aan basis- en voortgezette opleiding op dit gebied (11). Ten tweede ging de vroegtijdige digitalisering van zorgprocessen, heel anders dan de belofte van “augmented medicine”, gepaard met een sterke toename van de administratieve lasten, vooral in verband met elektronische patiëntendossiers (12), die bekend zijn komen te staan als een van de belangrijkste componenten van burn-out bij artsen (13). Ten derde neemt de angst toe dat AI artsen zal vervangen (14), hoewel de huidige en heersende opvatting in de literatuur is dat AI de intelligentie van artsen in de toekomst zal aanvullen (15, 16). Ten vierde, het huidige wereldwijde gebrek aan een juridisch kader dat het concept van aansprakelijkheid definieert in het geval van goedkeuring of afwijzing van algoritme-aanbevelingen laat de arts blootgesteld aan potentiële juridische uitkomsten bij het gebruik van AI (17).
Vanwege het gebrek aan onderwijs in digitale geneeskunde, bereiden verschillende particuliere medische scholen hun toekomstige medische leiders voor op de uitdaging van augmented medicine door ofwel het medische curriculum te associëren met het ingenieurscurriculum of digitale gezondheidsgeletterdheid en -gebruik te implementeren in een geüpgraded curriculum (18).
Het doel van deze paper is om recente ontwikkelingen van AI in de geneeskunde samen te vatten, de belangrijkste use-cases te bieden waarin AI-aangedreven medische technologieën al in de klinische praktijk kunnen worden gebruikt, en perspectieven te bieden op de uitdagingen en risico’s waarmee zorgprofessionals en instellingen worden geconfronteerd bij het implementeren van augmented medicine, zowel in de klinische praktijk als in de opleiding van toekomstige medische leiders.
Huidige toepassingen van kunstmatige intelligentie in de geneeskunde
2.1. Cardiologie
2.1.1. Atriale fibrillatie
De vroege detectie van atriale fibrillatie was een van de eerste toepassingen van AI in de geneeskunde. AliveCor kreeg in 2014 goedkeuring van de FDA voor hun mobiele applicatie Kardia die een smartphone-gebaseerde ECG-monitoring en detectie van atriumfibrilleren mogelijk maakt. Uit de recente REHEARSE-AF-studie (19) is gebleken dat met ECG-monitoring op afstand met Kardia bij ambulante patiënten met grotere waarschijnlijkheid atriumfibrilleren wordt vastgesteld dan met routinezorg. Apple heeft ook goedkeuring van de FDA gekregen voor hun Apple Watch 4 waarmee eenvoudig een ECG kan worden verkregen en atriumfibrilleren kan worden gedetecteerd, dat via een smartphone kan worden gedeeld met de behandelaar van keuze (20). Verscheidene kritieken op draagbare en draagbare ECG-technologieën zijn besproken (21), waarbij de beperkingen van hun gebruik worden benadrukt, zoals het vals-positieve percentage als gevolg van bewegingsartefacten, en belemmeringen in de adoptie van draagbare technologie bij oudere patiënten die een grotere kans hebben op atriumfibrilleren.
2.1.2. Cardiovasculair risico
Toepassing op elektronische patiëntendossiers, is AI gebruikt om het risico op hart- en vaatziekten, bijvoorbeeld acuut coronair syndroom (22) en hartfalen (23) beter te voorspellen dan traditionele schalen. Recente uitgebreide reviews (24) hebben echter gerapporteerd hoe de resultaten kunnen variëren afhankelijk van de steekproefgrootte die in het onderzoeksverslag wordt gebruikt.
2.2. Longgeneeskunde
De interpretatie van longfunctietests is gerapporteerd als een veelbelovend gebied voor de ontwikkeling van AI-toepassingen in de longgeneeskunde. Een recente studie (25) meldde hoe AI-gebaseerde software zorgt voor een meer nauwkeurige interpretatie en dient als een beslissingsondersteunend hulpmiddel bij het interpreteren van resultaten van longfunctietesten. De studie kreeg verschillende kritieken, waarvan er een (26) meldde hoe het percentage nauwkeurige diagnoses bij de aan de studie deelnemende longartsen aanzienlijk lager was dan het landelijk gemiddelde.
2.3. Endocrinologie
Continue glucosebewaking stelt patiënten met diabetes in staat om real-time interstitiële glucosemetingen te bekijken en geeft informatie over de richting en de snelheid van verandering van de bloedglucosespiegels (27) Medtronic ontving FDA-goedkeuring voor hun Guardian-systeem voor glucosebewaking, dat smartphone-gestuurd is (28). In 2018 ging het bedrijf een samenwerking aan met Watson (AI ontwikkeld door IBM) voor hun Sugar.IQ-systeem om hun klanten te helpen hypoglykemische episodes beter te voorkomen op basis van herhaalde metingen. Continue bloedglucosemonitoring kan patiënten in staat stellen hun bloedglucoseregeling te optimaliseren en het stigma te verminderen dat gepaard gaat met hypoglykemische episodes; een studie die zich richtte op de ervaring van patiënten met glucosemonitoring meldde echter dat deelnemers, hoewel ze vertrouwen in de meldingen uitspraken, ook gevoelens van persoonlijk falen bij het reguleren van de glucosespiegel verklaarden (27).
2.4. Nefrologie
Artificiële intelligentie is toegepast in verschillende settings in de klinische nefrologie. Het is bijvoorbeeld nuttig gebleken voor de voorspelling van de afname van de glomerulaire filtratiesnelheid bij patiënten met polycysteuze nierziekte (29), en voor de vaststelling van het risico van progressieve IgA-nefropathie (30). In een recent overzicht wordt echter gemeld hoe op dit moment het onderzoek wordt beperkt door de steekproefgrootte die nodig is voor gevolgtrekkingen (31).
2.5. Gastroenterology
Het specialisme van de gastro-enterologie profiteert van een breed scala van AI-toepassingen in klinische settings. Gastro-enterologen maakten gebruik van convolutionele neurale netwerken naast andere deep learning-modellen om beelden van endoscopie en echografie te verwerken (32) en abnormale structuren zoals colonpoliepen te detecteren (33). Kunstmatige neurale netwerken zijn ook gebruikt voor het diagnosticeren van gastro-oesofageale refluxziekte (34) en atrofische gastritis (35), evenals voor het voorspellen van uitkomsten bij gastro-intestinale bloedingen (36), overleving van slokdarmkanker (37), inflammatoire darmziekte (38), en metastasering bij colorectale kanker (39) en oesofageaal plaveiselcelcarcinoom (40).
2.6. Neurologie
2.6.1. Epilepsie
Intelligente aanvalsdetectieapparaten zijn veelbelovende technologieën die het potentieel hebben om het beheer van aanvallen te verbeteren via permanente ambulante monitoring. Empatica ontving in 2018 FDA-goedkeuring voor hun draagbare Embrace, die geassocieerd met elektrodermale captoren gegeneraliseerde epilepsieaanvallen kan detecteren en rapporteren aan een mobiele applicatie die in staat is om naaste familieleden en vertrouwde arts te waarschuwen met aanvullende informatie over lokalisatie van de patiënt (41). Een rapport dat zich richtte op de ervaring van patiënten, onthulde dat, in tegenstelling tot wearables voor hartbewaking, patiënten met epilepsie geen belemmeringen hadden bij de adoptie van apparaten voor aanvalsdetectie, en meldden een grote belangstelling voor het gebruik van wearables (42).
2.6.2. 2.6.2. Gait, Posture, and Tremor Assessment
Draagbare sensoren zijn nuttig gebleken om gang, houding en tremor kwantitatief te beoordelen bij patiënten met multiple sclerose, de ziekte van Parkinson, Parkinsonisme en de ziekte van Huntington (43).
2.7. Computationele diagnose van kanker in histopathologie
Paige.ai heeft van de FDA de doorbraakstatus gekregen voor een AI-gebaseerd algoritme dat in staat is met grote nauwkeurigheid kanker te diagnosticeren in computationele histopathologie, waardoor pathologen tijd winnen om zich te concentreren op belangrijke objectglaasjes (44).
2.8. Medical Imaging and Validation of AI-Based Technologies
Een langverwachte meta-analyse vergeleek de prestaties van deep learning software en radiologen op het gebied van diagnose op basis van beeldvorming (45): hoewel deep learning even efficiënt lijkt te zijn als radiologen voor diagnose, wezen de auteurs erop dat 99% van de studies geen betrouwbare opzet bleek te hebben; bovendien valideerde slechts een duizendste van de papers die werden beoordeeld hun resultaten door algoritmen medische beeldvorming te laten diagnosticeren die afkomstig was van andere bronpopulaties. Deze bevindingen ondersteunen de noodzaak van een uitgebreide validatie van AI-gebaseerde technologieën door middel van rigoureuze klinische proeven (5).
Discussie: Uitdagingen en Toekomstige Richtingen van Kunstmatige Intelligentie in Geneeskunde
3.1. Validatie van AI-gebaseerde technologieën: Toward a Replication Crisis?
Een van de belangrijkste uitdagingen van de toepassing van AI in de geneeskunde in de komende jaren zal de klinische validatie van de kernconcepten en instrumenten die onlangs zijn ontwikkeld zijn. Hoewel veel studies het nut van AI al hebben geïntroduceerd met duidelijke mogelijkheden op basis van veelbelovende resultaten, zullen verschillende goed erkende en vaak gerapporteerde beperkingen van AI-studies deze validatie waarschijnlijk bemoeilijken. We zullen hier drie van dergelijke beperkingen bespreken, evenals mogelijke manieren om ze te overwinnen.
Ten eerste, de meerderheid van de studies die de efficiëntie van AI vergelijken met die van clinici blijken een onbetrouwbare opzet te hebben en bekend te zijn dat primaire replicatie ontbreekt, d.w.z. de validatie van de algoritmen die zijn ontwikkeld in steekproeven die afkomstig zijn van andere bronnen dan die welke zijn gebruikt om algoritmen te trainen (45). Dit probleem zou kunnen worden opgelost in het tijdperk van de open wetenschap, aangezien open gegevens en open methoden steeds meer aandacht zullen krijgen als beste praktijken in onderzoek. De overgang naar open wetenschap zou echter moeilijk kunnen blijken voor medische AI-bedrijven die software ontwikkelen als kernactiviteit.
Ten tweede is bekend dat studies die de toepassing van AI in de klinische praktijk rapporteren, beperkt zijn vanwege retrospectieve ontwerpen en steekproefgroottes; dergelijke ontwerpen bevatten mogelijk selectie- en spectrumbias, d.w.z. modellen worden ontwikkeld om optimaal in een bepaalde dataset te passen (dit fenomeen staat ook bekend als overfitting), maar repliceren niet dezelfde resultaten in andere datasets (32). Voortdurende herevaluatie en kalibratie na de goedkeuring van algoritmen waarvan vermoed wordt dat zij overfitting vertonen, zou noodzakelijk moeten zijn om de software aan te passen aan de fluctuatie van de demografische gegevens van de patiënten (46). Bovendien is er een groeiende consensus over de noodzaak van de ontwikkeling van algoritmen die zijn ontworpen om grotere gemeenschappen te passen en tegelijkertijd rekening te houden met subgroepen (47).
Derde, slechts enkele studies zijn bekend om AI en clinici te vergelijken op basis van dezelfde datasets; zelfs in dat scenario zijn er kritieken gemaakt die wijzen op een lagere diagnostische nauwkeurigheid dan verwacht bij artsen in specialismen. (26). Het tegenover elkaar stellen van AI en clinici is, hoewel goed vertegenwoordigd in de wetenschappelijke literatuur, waarschijnlijk niet de beste manier om de kwestie van prestaties in medische expertise aan te pakken: verschillende studies benaderen nu de interactie tussen clinici en algoritmen (47), aangezien de combinatie van menselijke en kunstmatige intelligentie beter presteert dan een van beide alleen.
3.2. Ethische implicaties van voortdurende monitoring
Medische technologie is een van de meest veelbelovende markten van de 21e eeuw, met een geschatte marktwaarde die in 2019 snel de duizend miljard dollar nadert. Een toenemend percentage van de omzet is te danken aan de detailhandel in medische hulpmiddelen (zoals hartbewakingsapparatuur) aan een jongere bevolking, die niet het primaire doelconsumentenprofiel is (omdat gezondheidsproblemen zoals atriumfibrillatie minder snel optreden). Door dit fenomeen herdefinieert het internet van de dingen (IoT) het concept van het gezonde individu als een combinatie van het gekwantificeerde zelf (persoonlijke indicatoren gecodeerd in de smartphone of wearable) en een reeks door wearables geleverde lifestyleparameters (activiteitsmonitoring, gewichtscontrole, enz.).
Daarnaast hebben verschillende wearablebedrijven de laatste jaren belangrijke deals gesloten met verzekeringsmaatschappijen of overheden om een grootschalige distributie van deze producten te organiseren: dit soort initiatieven is vooral gericht op het teweegbrengen van verandering in levensstijl bij grote bevolkingsgroepen. Terwijl westerse landen zich blijven ontwikkelen in de richting van gezondheidssystemen waarin de individuele verantwoordelijkheid van de patiënt voor zijn eigen gezondheid en welzijn centraal staat, worden de ethische implicaties van voortdurende medische monitoring met medische apparatuur via het internet der dingen vaak besproken. Zo hebben voortdurende monitoring en privacyschendingen het potentieel om het stigma rond chronisch zieke of meer achtergestelde burgers te vergroten (48) en mogelijk die burgers te straffen die niet in staat zijn om nieuwe normen voor een gezonde levensstijl aan te nemen, bijvoorbeeld door de toegang tot ziektekostenverzekering en zorg te beperken; er is weinig tot geen debat geweest over deze potentiële en cruciale valkuilen in de beleidsvorming op gezondheidsgebied.
In dit technopolitieke kader wordt de kwestie van gegevensbescherming en eigendom steeds crucialer, hoewel deze al meer dan twee decennia oud is (49). In de literatuur worden verschillende houdingen ten opzichte van data-eigendom beschreven: hoewel sommige werken pleiten voor gemeenschappelijk eigendom van patiëntengegevens om gepersonaliseerde geneeskundebenaderingen te laten renderen (50, 51), verschuift de consensus in de richting van patiënteigendom, omdat dit positieve effecten heeft op de betrokkenheid van de patiënt en het delen van informatie kan verbeteren als er een overeenkomst over het gebruik van gegevens tussen de patiënt en zorgverleners wordt ontwikkeld (52).
3.3. The Need to Educate Augmented Doctors
Several universities have started to create new medical curriculum, including a doctor-engineering (18), to answer the need of educating future medical leaders to the challenges of artificial intelligence in medicine (53). Dergelijke curricula zien een sterkere benadering van de harde wetenschappen (zoals natuurkunde en wiskunde), en de toevoeging van computationele wetenschappen, codering, algoritmiek, en mechatronische engineering. Deze “verrijkte artsen” zouden zowel op een klinische ervaring als op digitale expertise kunnen rekenen om moderne gezondheidsproblemen op te lossen, deel te nemen aan het definiëren van digitale strategieën voor zorginstellingen, de digitale transitie te beheren, patiënten en collega’s op te leiden.
Zowel de samenleving als zorginstellingen zouden van deze professionals kunnen profiteren als vangnet voor alle processen die AI in de geneeskunde omvatten, maar ook als motor van innovatie en onderzoek. Afgezien van de medische basisopleiding is er behoefte aan de uitvoering van permanente educatieve programma’s met betrekking tot digitale geneeskunde en gericht op afgestudeerde artsen, zodat zij zich kunnen bijscholen op dit groeiende gebied. In de meeste geavanceerde ziekenhuizen over de hele wereld zijn dergelijke deskundigen belast met de taak van Chief Medical Information Officer (CMIO).
3.4. De belofte van Ambient Clinical Intelligence: Avoiding Dehumanization by Technology
Zoals gerapporteerd door verschillende studies (12, 13), kunnen elektronische gezondheidsdossiers een belangrijke administratieve last en een bron van burn-out zijn, fenomeen dat steeds vaker voorkomt bij artsen, zowel in opleiding als opgeleid. Hoewel kunstmatige intelligentie-oplossingen zoals Natural Language Processing steeds beter in staat zijn om de arts te helpen bij het leveren van volledige medische dossiers, zijn verdere oplossingen nodig om het probleem op te lossen van de toenemende tijd die wordt besteed aan indirecte patiëntenzorg.
Ambient clinical intelligence (ACI) wordt opgevat als een gevoelige, adaptieve en responsieve digitale omgeving die de arts en de patiënt omringt (54) en in staat is om bijvoorbeeld het interview te analyseren en automatisch het elektronische gezondheidsdossier van de patiënt te vullen. Er lopen verschillende projecten om een ACI te ontwikkelen, wat een cruciale toepassing van kunstmatige intelligentie in de geneeskunde zou zijn en broodnodig om moderne problemen met het artsenkorps op te lossen.
Een van de grote belemmeringen voor de toepassing van intelligente medische technologieën bij artsen is de angst voor een ontmenselijking van de geneeskunde. Dit is vooral te wijten aan de toenemende administratieve lasten (12) die aan artsen worden opgelegd. Moderne technologie zoals ACI en natuurlijke taalverwerking zullen echter zeker het probleem van de administratieve lasten oplossen en artsen helpen zich meer op de patiënt te richten.
3.5. Zullen artsen worden vervangen door kunstmatige intelligentie?
Zoals onlangs in de literatuur is besproken (15, 16) zullen artsen hoogstwaarschijnlijk niet worden vervangen door kunstmatige intelligentie: slimme medische technologieën bestaan als zodanig als ondersteuning van de arts om de behandeling van patiënten te verbeteren. Zoals recente studies hebben aangegeven (45), worden kunstmatige intelligentie-oplossingen echter vaak vergeleken met artsen, alsof de twee tegenhangers met elkaar concurreren. Toekomstige studies moeten zich richten op de vergelijking tussen artsen die gebruik maken van kunstmatige intelligentie oplossingen met artsen zonder de hulp van dergelijke toepassingen, en deze vergelijkingen uitbreiden tot translationele klinische studies; alleen dan zal kunstmatige intelligentie worden aanvaard als complementair aan artsen. Beroepsbeoefenaren in de gezondheidszorg verkeren tegenwoordig in een bevoorrechte positie om de digitale evolutie te kunnen verwelkomen en de belangrijkste aanjagers van verandering te zijn, hoewel een ingrijpende herziening van de medische opleiding nodig is om toekomstige leiders van de competenties te voorzien om dit te doen.
Conclusie
De implementatie van kunstmatige intelligentie in de klinische praktijk is een veelbelovend gebied van ontwikkeling, dat snel evolueert samen met de andere moderne gebieden van precisiegeneeskunde, genomica en teleconsultatie. Terwijl de wetenschappelijke vooruitgang rigoureus en transparant moet blijven bij het ontwikkelen van nieuwe oplossingen om de moderne gezondheidszorg te verbeteren, moet het gezondheidsbeleid zich nu richten op het aanpakken van de ethische en financiële kwesties die verband houden met deze hoeksteen van de evolutie van de geneeskunde.
Bijdragen van auteurs
Alle vermelde auteurs hebben een substantiële, directe en intellectuele bijdrage geleverd aan het werk, en hebben het goedgekeurd voor publicatie.
Conflict of Interest
De auteurs verklaren dat het onderzoek werd uitgevoerd in afwezigheid van enige commerciële of financiële relaties die zouden kunnen worden opgevat als een potentieel belangenconflict.
1. Steinhubl SR, Muse ED, Topol EJ. Het opkomende gebied van mobiele gezondheid. Sci Trans Med. (2015) 7:283rv3. doi: 10.1126/scitranslmed.aaa3487
PubMed Abstract | CrossRef Full Text | Google Scholar
2. Peng Y, Zhang Y, Wang L. Artificial intelligence in biomedical engineering and informatics: an introduction and review. Artif Intell Med. (2010) 48:71-3. doi: 10.1016/j.artmed.2009.07.007
PubMed Abstract | Ref Full Text | Google Scholar
3. Orth M, Averina M, Chatzipanagiotou S, Faure G, Haushofer A, Kusec V, et al. Opinion: redefining the role of the physician in laboratory medicine in the context of emerging technologies, personalised medicine and patient autonomy (‘4P medicine’). J Clin Pathol. (2019) 72:191-7. doi: 10.1136/jclinpath-2017-204734
PubMed Abstract | CrossRef Full Text | Google Scholar
4. Abdulnabi M, Al-Haiqi A, Kiah MLM, Zaidan AA, Zaidan BB, Hussain M. A distributed framework for health information exchange using smartphone technologies. J Biomed Informat. (2017) 69:230-50. doi: 10.1016/j.jbi.2017.04.013
PubMed Abstract | CrossRef Full Text | Google Scholar
5. Topol EJ. Een decennium van digitale geneeskunde innovatie. Sci Trans Med. (2019) 11:7610. doi: 10.1126/scitranslmed.aaw7610
PubMed Abstract | CrossRef Full Text | Google Scholar
6. Morawski K, Ghazinouri R, Krumme A, Lauffenburger JC, Lu Z, Durfee E, et al. Association of a smartphone application with medication adherence and blood pressure control: the MedISAFE-BP randomized clinical trial. JAMA Int Med. (2018) 178:802-9. doi: 10.1001/jamainternmed.2018.0447
PubMed Abstract | CrossRef Full Text | Google Scholar
7. Overley SC, Cho SK, Mehta AI, Arnold PM. Navigation and robotics in spinal surgery: where are we now? Neurochirurgie. (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 met HoloLens: where virtual reality meets augmented reality in the operating room. Plast Reconstruct Surg. (2017) 140:1066-70. doi: 10.1097/PRS.0000000000003802
PubMed Abstract | CrossRef Full Text | Google Scholar
9. Mishkind MC, Norr AM, Katz AC, Reger GM. Review of virtual reality treatment in psychiatry: evidence versus huidige verspreiding en gebruik. 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. The effectiveness of virtual reality distraction for pain reduction: a systematic review. 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” gezamenlijke werkgroep “Technology-enhanced Teaching and Learning in Medicine (TeLL)” van de german association for medical informatics biometry and epidemiology (gmds) en de German Informatics Society (GI). Digitaal onderwijs en digitale geneeskunde: een nationaal initiatief is nodig. GMS J Med Educ. (2018) 35:Doc43. doi: 10.3205/zma001189
PubMed Abstract | CrossRef Full Text | Google Scholar
12. Chaiyachati KH, Shea JA, Asch DA, Liu M, Bellini LM, Dine CJ, et al. Assessment of inpatient time allocation among first-year internal medicine residents using time-motion observations. JAMA Int Med. (2019) 179:760-7. doi: 10.1001/jamainternmed.2019.0095
PubMed Abstract | CrossRef Full Text | Google Scholar
13. West CP, Dyrbye LN, Shanafelt TD. Physician burnout: contributors, consequences and solutions. J Int Med. (2018) 283:516-29. doi: 10.1111/joim.12752
PubMed Abstract | CrossRef Full Text | Google Scholar
14. Shah NR. Gezondheidszorg in 2030: zal kunstmatige intelligentie artsen vervangen? Ann Int Med. (2019) 170:407-8. doi: 10.7326/M19-0344
PubMed Abstract | CrossRef Full Text | Google Scholar
15. Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. 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. What this computer needs is a physician: humanism and artificial intelligence. JAMA. (2018) 319:19-20. doi: 10.1001/jama.2017.19198
PubMed Abstract | CrossRef Full Text | Google Scholar
17. Price WN, Gerke S, Cohen IG. Potential liability for physicians using artificial intelligence. JAMA. (2019) 322:1765-6. doi: 10.1001/jama.2019.15064
CrossRef Full Text | Google Scholar
18. Briganti G. Nous Devons Former des Médecins ≪ augmentés ≫. Le Specialiste. (2019) Online beschikbaar op: https://www.lespecialiste.be/fr/debats/nous-devons-former-des-medecins-laquo-nbsp-augmentes-raquo.html (geraadpleegd op 26 oktober 2019).
Google Scholar
19. Halcox JPJ, Wareham K, Cardew A, Gilmore M, Barry JP, Phillips C, et al. Assessment of remote heart rhythm sampling using the AliveCor heart monitor to screen for atrial fibrillation: the REHEARSE-AF study. Circulation. (2017) 136:1784-94. doi: 10.1161/CIRCULATIONAHA.117.030583
PubMed Abstract | CrossRef Full Text | Google Scholar
20. Turakhia MP, Desai M, Hedlin H, Rajmane A, Talati N, Ferris T, et al. Rationale and design of a large-scale, app-based study to identify cardiac arrhythmias using a smartwatch: the apple heart study. Ame Heart J. (2019) 207:66-75. doi: 10.1016/j.ahj.2018.09.002
PubMed Abstract | CrossRef Full Text | Google Scholar
21. Raja JM, Elsakr C, Roman S, Cave B, Pour-Ghaz I, Nanda A, et al. Apple watch, wearables, and heart rhythm: where do we stand? Ann Trans Med. (2019) 7:417. doi: 10.21037/atm.2019.06.79.
PubMed Abstract | CrossRef Full Text | Google Scholar
22. Huang Z, Chan TM, Dong W. MACE-voorspelling van acuut coronair syndroom via boosted resampling-classificatie met behulp van elektronische medische dossiers. J Biomed Inform. (2017) 66:161-70. doi: 10.1016/j.jbi.2017.01.001
PubMed Abstract | CrossRef Full Text | Google Scholar
23. Mortazavi BJ, Downing NS, Bucholz EM, Dharmarajan K, Manhapra A, Li SX, et al. Analysis of machine learning techniques for heart failure readmissions. Circ Cardiovasc Qual Outcomes. (2016) 9:629-40. doi: 10.1161/CIRCOUTCOMES.116.003039
PubMed Abstract | CrossRef Full Text | Google Scholar
24. Dorado-Díaz PI, Sampedro-Gómez J, Vicente-Palacios V, Sánchez PL. Toepassingen van kunstmatige intelligentie in de cardiologie. De toekomst is al hier. Revista Española de Cardiología. (2019) 72:1065-75. doi: 10.1016/j.rec.2019.05.014
PubMed Abstract | CrossRef Full Text | Google Scholar
25. Topalovic M, Das N, Burgel PR, Daenen M, Derom E, Haenebalcke C, et al. Artificial intelligence outperforms pulmonologists in the interpretation of pulmonary function tests. Eur Respirat J. (2019) 53:1801660. doi: 10.1183/13993003.01660-2018.
PubMed Abstract | CrossRef Full Text | Google Scholar
26. Delclaux C. Geen noodzaak voor longartsen om longfunctietesten te interpreteren. 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. Ervaringen van patiënten en verzorgers met het gebruik van continue glucosemonitoring ter ondersteuning van het zelfmanagement van diabetes: kwalitatieve studie. BMC Endocrine Disord. (2018) 18:12. doi: 10.1186/s12902-018-0239-1
PubMed Abstract | CrossRef Full Text | Google Scholar
28. Christiansen MP, Garg SK, Brazg R, Bode BW, Bailey TS, Slover RH, et al. Accuracy of a fourth-generation subcutaneous continuous glucose sensor. Diabet Technol Therapeut. (2017) 19:446-56. doi: 10.1089/dia.2017.0087
PubMed Abstract | CrossRef Full Text | Google Scholar
29. Niel O, Boussard C, Bastard P. Artificial intelligence can predict GFR decline during the course of ADPKD. Am J Kidney Dis Off J Natl Kidney Found. (2018) 71:911-2. doi: 10.1053/j.ajkd.2018.01.051
PubMed Abstract | CrossRef Full Text | Google Scholar
30. Geddes CC, Fox JG, Allison ME, Boulton-Jones JM, Simpson K. An artificial neural network can select patients at high risk of developing progressive IgA nephropathy more accurately than experienced nephrologists. Nephrol Dialysis, Transplant. (1998) 13:67-71.
PubMed Abstract | Google Scholar
31. Niel O, Bastard P. Artificial intelligence in nephrology: core concepts, clinical applications, and perspectives. Am J Kidney Dis. (2019) 74:803-10. doi: 10.1053/j.ajkd.2019.05.020
PubMed Abstract | CrossRef Full Text | Google Scholar
32. Yang YJ, Bang CS. Toepassing van kunstmatige intelligentie in de gastro-enterologie. 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. Verkenning van het klinisch potentieel van een automatische colonpoliepdetectiemethode gebaseerd op de aanmaak van energiekaarten. Endoscopie. (2016) 48:837-42. doi: 10.1055/s-0042-108434
PubMed Abstract | CrossRef Full Text | Google Scholar
34. Pace F, Buscema M, Dominici P, Intraligi M, Baldi F, Cestari R, et al. Artificial neural networks are able to recognize gastro-oesophageal reflux disease patients solely on the basis of clinical data. Eur J Gastroenterol Hepatol. (2005) 17:605-10. doi: 10.1097/00042737-200506000-00003
PubMed Abstract | CrossRef Full Text | Google Scholar
35. Lahner E, Grossi E, Intraligi M, Buscema M, Corleto VD, Delle Fave G, et al. Mogelijke bijdrage van kunstmatige neurale netwerken en lineaire discriminantanalyse bij de herkenning van patiënten met verdenking van atrofische lichaamsgastritis. World J Gastroenterol. (2005) 11:5867-73. doi: 10.3748/wjg.v11.i37.5867
PubMed Abstract | CrossRef Full Text | Google Scholar
36. Das A, Ben-Menachem T, Cooper GS, Chak A, Sivak MV, Gonet JA, et al. Prediction of outcome in acute lower-gastrointestinal haemorrhage based on an artificial neural network: internal and external validation of a predictive model. Lancet. (2003) 362:1261-6. doi: 10.1016/S0140-6736(03)14568-0
PubMed Abstract | CrossRef Full Text | Google Scholar
37. Sato F, Shimada Y, Selaru FM, Shibata D, Maeda M, Watanabe G, et al. Prediction of survival in patients with esophageal carcinoma using artificial neural networks. Cancer. (2005) 103:1596-605. doi: 10.1002/cncr.20938
PubMed Abstract | CrossRef Full Text | Google Scholar
38. Peng JC, Ran ZH, Shen J. Seasonal variation in onset and relapse of IBD and a model to predict the frequency of onset, relapse, and severity of IBD based on artificial neural network. Int J Colorect Dis. (2015) 30:1267-73. doi: 10.1007/s00384-015-2250-6
PubMed Abstract | CrossRef Full Text | Google Scholar
39. Ichimasa K, Kudo SE, Mori Y, Misawa M, Matsudaira S, Kouyama Y, et al. Artificial intelligence may help in predicting the need for additional surgery after endoscopic resection of T1 colorectal cancer. Endoscopie. (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 voorspelt postoperatieve verre metastase voor patiënten met oesofagus squameus celcarcinoom. 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. Multimodal wrist-worn devices for seizure detection and advancing research: focus on the Empatica wristbands. Epilep Res. (2019) 153:79-82. doi: 10.1016/j.eplepsyres.2019.02.007
PubMed Abstract | CrossRef Full Text | Google Scholar
42. Bruno E, Simblett S, Lang A, Biondi A, Odoi C, Schulze-Bonhage A, et al. Wearable technology in epilepsy: the views of patients, caregivers, and healthcare professionals. Epilep Behav. (2018) 85:141-9. doi: 10.1016/j.yebeh.2018.05.044
PubMed Abstract | CrossRef Full Text | Google Scholar
43. Dorsey ER, Glidden AM, Holloway MR, Birbeck GL, Schwamm LH. Teleneurologie en mobiele technologieën: de toekomst van de neurologische zorg. Nat Rev Neurol. (2018) 14:285-97. doi: 10.1038/nrneurol.2018.31
PubMed Abstract | CrossRef Full Text | Google Scholar
44. Campanella G, Hanna MG, Geneslaw L, Miraflor A, Silva VWK, Busam KJ, et al. Clinical-grade computational pathology using weakly supervised deep learning on whole slide images. Nat Med. (2019) 25:1301-9. doi: 10.1038/s41591-019-0508-1
PubMed Abstract | CrossRef Full Text | Google Scholar
45. Liu X, Faes L, Kale AU, Wagner SK, Fu DJ, Bruynseels A, et al. A comparison of deep learning performance against health-care professionals in detecting diseases from medical imaging: a systematic review and meta-analysis. Lancet Digit Health. (2019) 1:e271-97. doi: 10.1016/S2589-7500(19)30123-2
CrossRef Full Text | Google Scholar
46. Panch T, Mattie H, Celi LA. De “inconvenient truth” over AI in de gezondheidszorg. NPJ Digit Med. (2019) 2:1-3. doi: 10.1038/s41746-019-0155-4
PubMed Abstract | CrossRef Full Text | Google Scholar
47. Kelly CJ, Karthikesalingam A, Suleyman M, Corrado G, King D. Key challenges for delivering clinical impact with artificial intelligence. BMC Med. (2019) 17:195. doi: 10.1186/s12916-019-1426-2
PubMed Abstract | CrossRef Full Text | Google Scholar
48. Mittelstadt B. Ethiek van het gezondheidsgerelateerde internet der dingen: een narratief overzicht. Ethiek Informatica Technol. (2017) 19:157-75. doi: 10.1007/s10676-017-9426-4
CrossRef Full Text | Google Scholar
49. Williamson JB. Bescherming van de vertrouwelijkheid en veiligheid van informatie over de gezondheidszorg van patiënten. Top Health Informat Manage. (1996) 16:56-60.
PubMed Abstract | Google Scholar
50. Montgomery J. Data sharing and the idea of ownership. New Bioeth Multidiscipl J Biotechnol Body. (2017) 23:81-6. doi: 10.1080/20502877.2017.1314893
PubMed Abstract | CrossRef Full Text | Google Scholar
51. Rodwin MA. The case for public ownership of patient data. JAMA. (2009) 302:86-8. doi: 10.1001/jama.2009.965
PubMed Abstract | CrossRef Full Text | Google Scholar
52. Mikk KA, Sleeper HA, Topol EJ. The pathway to patient data ownership and better health. JAMA. (2017) 318:1433-4. doi: 10.1001/jama.2017.12145
PubMed Abstract | CrossRef Full Text | Google Scholar
53. Brouillette M. AI toegevoegd aan het curriculum voor aankomende artsen. Nat Med. (2019). 25:1808-9. doi: 10.1038/s41591-019-0648-3
PubMed Abstract | CrossRef Full Text | Google Scholar
54. Acampora G, Cook DJ, Rashidi P, Vasilakos AV. A survey on ambient intelligence in health care. Proc IEEE Inst Elect Electron Eng. (2013) 101:2470-94. doi: 10.1109/JPROC.2013.2262913
PubMed Abstract | CrossRef Full Text | Google Scholar
Geef een antwoord