Frontiers in Medicine
On 30 października, 2021 by adminWprowadzenie
Sformułowanie „technologia medyczna” jest szeroko stosowane w odniesieniu do szeregu narzędzi, które mogą umożliwić pracownikom służby zdrowia zapewnienie pacjentom i społeczeństwu lepszej jakości życia poprzez wykonywanie wczesnej diagnostyki, zmniejszenie powikłań, optymalizację leczenia i/lub zapewnienie mniej inwazyjnych opcji oraz skrócenie długości hospitalizacji. Podczas gdy przed erą urządzeń mobilnych technologie medyczne były znane głównie jako klasyczne urządzenia medyczne (np. protezy, stenty, implanty), pojawienie się smartfonów, urządzeń noszonych na ciele, czujników i systemów komunikacyjnych zrewolucjonizowało medycynę dzięki możliwości umieszczenia narzędzi napędzanych sztuczną inteligencją (AI) (takich jak aplikacje) w bardzo małych rozmiarach (1). AI zrewolucjonizowała technologie medyczne i może być powszechnie rozumiana jako część informatyki, która jest w stanie poradzić sobie ze złożonymi problemami z wieloma aplikacjami w obszarach z ogromną ilością danych, ale mało teorii (2).
Inteligentne technologie medyczne (tj, AI-powered) spotkały się z entuzjazmem ogółu społeczeństwa, częściowo dlatego, że umożliwiają model 4P medycyny (predykcyjny, prewencyjny, spersonalizowany i partycypacyjny), a zatem autonomię pacjenta, w sposób, który wcześniej nie był możliwy (3); smartfony stają się na przykład przedmiotem do wypełnienia i dystrybucji elektronicznej osobistej karty zdrowia (4), monitorują funkcje życiowe za pomocą biosensorów (5) i pomagają osiągnąć optymalną zgodność terapeutyczną (6), dając w ten sposób pacjentowi miejsce jako główny aktor w ścieżce opieki. Rozwój inteligentnych technologii medycznych umożliwia rozwój nowej dziedziny medycyny: medycyny rozszerzonej (augmented medicine), tj. wykorzystania nowych technologii medycznych w celu poprawy różnych aspektów praktyki klinicznej. W ostatniej dekadzie kilka algorytmów opartych na sztucznej inteligencji zostało zatwierdzonych przez Agencję Żywności i Leków (FDA), a zatem mogą zostać wdrożone. Medycynę rozszerzoną umożliwiają nie tylko technologie oparte na AI, ale także kilka innych narzędzi cyfrowych, takich jak systemy nawigacji chirurgicznej dla chirurgii wspomaganej komputerowo (7), narzędzia kontinuum wirtualności i rzeczywistości w chirurgii, leczeniu bólu i zaburzeń psychicznych (8-10).
Mimo że dziedzina medycyny rozszerzonej wydaje się odnosić sukcesy wśród pacjentów, może napotykać na pewien opór ze strony pracowników służby zdrowia, w szczególności lekarzy: w odniesieniu do tego zjawiska należy podać cztery szeroko dyskutowane powody. Po pierwsze, nieprzygotowanie co do potencjału medycyny cyfrowej wynika z oczywistego braku podstawowej i ustawicznej edukacji w tej dziedzinie (11). Po drugie, wczesna cyfryzacja procesów opieki zdrowotnej, bardzo różna od obietnicy medycyny rozszerzonej, pociągnęła za sobą gwałtowny wzrost obciążeń administracyjnych związanych głównie z elektroniczną dokumentacją medyczną (12), która stała się jednym z głównych elementów wypalenia zawodowego lekarzy (13). Po trzecie, wzrasta obawa o ryzyko zastąpienia lekarzy przez AI (14), choć w literaturze przedmiotu dominuje opinia, że AI będzie w przyszłości uzupełniać inteligencję lekarzy (15, 16). Po czwarte, obecny światowy brak ram prawnych, które definiują pojęcie odpowiedzialności w przypadku przyjęcia lub odrzucenia zaleceń algorytmu, pozostawia lekarza narażonego na potencjalne skutki prawne podczas korzystania z AI (17).
W związku z brakiem edukacji w zakresie medycyny cyfrowej, kilka prywatnych szkół medycznych przygotowuje swoich przyszłych liderów medycznych do wyzwania medycyny rozszerzonej poprzez powiązanie programu nauczania medycyny z programem nauczania inżynierii lub wdrożenie umiejętności w zakresie zdrowia cyfrowego i korzystania z niego w unowocześnionym programie nauczania (18).
Celem niniejszego artykułu jest podsumowanie ostatnich osiągnięć AI w medycynie, przedstawienie głównych przypadków użycia, w których technologie medyczne napędzane przez AI mogą być już wykorzystywane w praktyce klinicznej, oraz perspektyw dotyczących wyzwań i zagrożeń, przed którymi stoją pracownicy służby zdrowia i instytucje podczas wdrażania medycyny rozszerzonej, zarówno w praktyce klinicznej, jak i w edukacji przyszłych liderów medycznych.
Obecne zastosowania sztucznej inteligencji w medycynie
2.1. Kardiologia
2.1.1. Migotanie przedsionków
Wczesne wykrywanie migotania przedsionków było jednym z pierwszych zastosowań AI w medycynie. Firma AliveCor otrzymała w 2014 r. zgodę FDA na swoją aplikację mobilną Kardia umożliwiającą monitorowanie EKG za pomocą smartfona i wykrywanie migotania przedsionków. Ostatnie badanie REHEARSE-AF (19) wykazało, że zdalne monitorowanie EKG za pomocą Kardii u pacjentów ambulatoryjnych z większym prawdopodobieństwem identyfikuje migotanie przedsionków niż rutynowa opieka. Firma Apple uzyskała również aprobatę FDA dla swojego zegarka Apple Watch 4, który pozwala na łatwe pozyskiwanie danych EKG i wykrywanie migotania przedsionków, które można udostępniać wybranemu lekarzowi za pośrednictwem smartfona (20). Odniesiono się do kilku krytycznych uwag dotyczących noszonych i przenośnych technologii EKG (21), podkreślając ograniczenia w ich stosowaniu, takie jak fałszywie dodatni wskaźnik wynikający z artefaktów ruchowych, oraz bariery w przyjmowaniu technologii noszonych u pacjentów w podeszłym wieku, u których migotanie przedsionków jest bardziej prawdopodobne.
2.1.2. Ryzyko sercowo-naczyniowe
Zastosowana do elektronicznej dokumentacji pacjenta, AI była wykorzystywana do przewidywania ryzyka chorób sercowo-naczyniowych, na przykład ostrego zespołu wieńcowego (22) i niewydolności serca (23) lepiej niż tradycyjne skale. Ostatnie kompleksowe przeglądy (24) wykazały jednak, że wyniki mogą się różnić w zależności od wielkości próby użytej w raporcie badawczym.
2.2. Medycyna płucna
Interpretacja testów czynnościowych płuc została zgłoszona jako obiecujący obszar dla rozwoju aplikacji AI w medycynie płucnej. W jednym z ostatnich badań (25) opisano, w jaki sposób oprogramowanie oparte na AI zapewnia dokładniejszą interpretację i służy jako narzędzie wspomagania decyzji w przypadku interpretacji wyników badań czynnościowych płuc. Badanie to spotkało się z kilkoma krytycznymi opiniami, z których jedna (26) donosiła, że wskaźnik trafnych diagnoz u pulmonologów uczestniczących w badaniu był znacznie niższy niż średnia krajowa.
2.3. Endokrynologia
Ciągłe monitorowanie glukozy umożliwia pacjentom z cukrzycą przeglądanie odczytów glukozy śródmiąższowej w czasie rzeczywistym i dostarcza informacji na temat kierunku i tempa zmian poziomu glukozy we krwi (27) Firma Medtronic otrzymała zatwierdzenie FDA dla swojego systemu Guardian do monitorowania glukozy, który jest sparowany ze smartfonem (28). W 2018 r. firma nawiązała współpracę z Watsonem (AI opracowana przez IBM) dla swojego systemu Sugar.IQ, aby pomóc swoim klientom lepiej zapobiegać epizodom hipoglikemii na podstawie powtarzanych pomiarów. Ciągłe monitorowanie stężenia glukozy we krwi może umożliwić pacjentom optymalizację kontroli stężenia glukozy we krwi i zmniejszyć stygmatyzację związaną z epizodami hipoglikemii; jednak w badaniu koncentrującym się na doświadczeniach pacjentów z monitorowaniem stężenia glukozy odnotowano, że uczestnicy, wyrażając zaufanie do powiadomień, deklarowali również poczucie osobistej porażki w regulowaniu poziomu glukozy (27).
2.4. Nefrologia
Sztuczna inteligencja znalazła zastosowanie w kilku sytuacjach w nefrologii klinicznej. Na przykład udowodniono jej przydatność w przewidywaniu spadku filtracji kłębuszkowej u pacjentów z wielotorbielowatą chorobą nerek (29) oraz w określaniu ryzyka postępującej nefropatii IgA (30). Jednak ostatni przegląd donosi o tym, jak w tej chwili badania są ograniczone przez wielkość próby niezbędnej do wnioskowania (31).
2.5. Gastroenterologia
Specjalność gastroenterologia korzysta z szerokiego zakresu zastosowań AI w warunkach klinicznych. Gastroenterolodzy wykorzystali konwencjonalne sieci neuronowe oraz inne modele głębokiego uczenia się do przetwarzania obrazów z endoskopii i ultrasonografii (32) oraz wykrywania nieprawidłowych struktur, takich jak polipy okrężnicy (33). Sztuczne sieci neuronowe były również wykorzystywane do diagnozowania choroby refluksowej przełyku (34) i zanikowego zapalenia błony śluzowej żołądka (35), a także do przewidywania wyników krwawienia z przewodu pokarmowego (36), przeżycia w przypadku raka przełyku (37), nieswoistych zapaleń jelit (38) oraz przerzutów w przypadku raka jelita grubego (39) i raka płaskonabłonkowego przełyku (40).
2.6. Neurologia
2.6.1. Epilepsja
Inteligentne urządzenia do wykrywania napadów są obiecującymi technologiami, które mają potencjał poprawy zarządzania napadami poprzez stałe monitorowanie ambulatoryjne. Firma Empatica otrzymała zatwierdzenie FDA w 2018 r. dla swojego urządzenia do noszenia Embrace, które powiązane z elektrodermal captors może wykryć uogólnione napady padaczki i zgłosić się do aplikacji mobilnej, która jest w stanie powiadomić bliskich krewnych i zaufanego lekarza z uzupełniającymi informacjami o lokalizacji pacjenta (41). W sprawozdaniu skoncentrowanym na doświadczeniach pacjentów wykazano, że w przeciwieństwie do urządzeń do noszenia na sobie monitorujących pracę serca, pacjenci cierpiący na padaczkę nie mieli żadnych barier w przyjmowaniu urządzeń do wykrywania napadów i zgłaszali duże zainteresowanie korzystaniem z tych urządzeń (42).
2.6.2. Ocena chodu, postawy i drżenia
Czujniki noszone okazały się przydatne do ilościowej oceny chodu, postawy i drżenia u pacjentów ze stwardnieniem rozsianym, chorobą Parkinsona, parkinsonizmem i chorobą Huntingtona (43).
2.7. Computational Diagnosis of Cancer in Histopathology
Paige.ai otrzymała status przełomu od FDA za algorytm oparty na sztucznej inteligencji, który jest w stanie diagnozować raka w histopatologii obliczeniowej z dużą dokładnością, pozwalając patologom zyskać czas na skupienie się na ważnych slajdach (44).
2.8. Obrazowanie medyczne i walidacja technologii opartych na sztucznej inteligencji
Długo oczekiwana metaanaliza porównuje wydajność oprogramowania głębokiego uczenia i radiologów w dziedzinie diagnostyki opartej na obrazowaniu (45): chociaż głębokie uczenie wydaje się być równie skuteczne w diagnozowaniu jak radiolog, autorzy wskazali, że 99% badań nie miało wiarygodnego projektu; co więcej, tylko jedna tysięczna przejrzanych prac walidowała swoje wyniki, każąc algorytmom diagnozować obrazowanie medyczne pochodzące z innych populacji źródłowych. Wyniki te wspierają potrzebę szerokiej walidacji technologii opartych na AI poprzez rygorystyczne badania kliniczne (5).
Dyskusja: Challenges and Future Directions of Artificial Intelligence in Medicine
3.1. Validation of AI-Based Technologies: Toward a Replication Crisis?
Jednym z podstawowych wyzwań związanych z zastosowaniem AI w medycynie w najbliższych latach będzie walidacja kliniczna podstawowych koncepcji i narzędzi niedawno opracowanych. Chociaż wiele badań już wprowadziło użyteczność AI z wyraźnymi możliwościami opartymi na obiecujących wynikach, kilka dobrze rozpoznanych i często zgłaszanych ograniczeń badań AI prawdopodobnie skomplikuje taką walidację. Niniejszym zajmiemy się trzema z tych ograniczeń, a także przedstawimy możliwe sposoby ich przezwyciężenia.
Po pierwsze, większość badań porównujących skuteczność AI i klinicystów ma niewiarygodny projekt i wiadomo, że brakuje w nich replikacji pierwotnej, tj. walidacji algorytmów opracowanych w próbkach pochodzących z innych źródeł niż te, które wykorzystano do szkolenia algorytmów (45). Trudność tę można przezwyciężyć w erze otwartej nauki, ponieważ otwarte dane i otwarte metody będą coraz częściej traktowane jako najlepsze praktyki w badaniach naukowych. Jednak przejście na otwartą naukę może okazać się trudne dla firm zajmujących się sztuczną inteligencją w medycynie, które opracowują oprogramowanie jako podstawową działalność.
Po drugie, wiadomo, że badania informujące o zastosowaniu sztucznej inteligencji w praktyce klinicznej są ograniczone ze względu na retrospektywne projekty i wielkość próby; takie projekty potencjalnie obejmują stronniczość selekcji i spektrum, tj. modele są opracowywane w celu optymalnego dopasowania do danego zestawu danych (zjawisko to jest również znane jako nadmierne dopasowanie), ale nie powielają tych samych wyników w innych zestawach danych (32). Ciągła ponowna ocena i kalibracja po przyjęciu algorytmów, które są podejrzane o nadmierne dopasowanie, powinna być konieczna w celu dostosowania oprogramowania do fluktuacji danych demograficznych pacjentów (46). Ponadto, istnieje rosnący konsensus co do potrzeby rozwoju algorytmów zaprojektowanych w celu dopasowania większych społeczności przy jednoczesnym uwzględnieniu podgrup (47).
Po trzecie, znanych jest tylko kilka badań porównujących AI i klinicystów w oparciu o te same zestawy danych; nawet w tym scenariuszu, krytyka została dokonana wskazując na niższy wskaźnik dokładności diagnostycznej niż oczekiwany u lekarzy specjalistów. (26). Przeciwstawianie AI i klinicystów, choć dobrze reprezentowane w literaturze naukowej, prawdopodobnie nie jest najlepszym sposobem rozwiązania kwestii wydajności w ekspertyzie medycznej: kilka badań podchodzi obecnie do interakcji między klinicystami i algorytmami (47), ponieważ połączenie ludzkiej i sztucznej inteligencji przewyższa każdą z nich osobno.
3.2. Ethical Implications of Ongoing Monitoring
Technologia medyczna jest jednym z najbardziej obiecujących rynków XXI wieku, z szacowaną wartością rynku szybko zbliżającą się do tysiąca miliardów dolarów w 2019 roku. Coraz większy odsetek przychodów wynika z detalicznej sprzedaży urządzeń medycznych (takich jak urządzenia monitorujące pracę serca) młodszej populacji, która nie jest podstawowym docelowym profilem konsumentów (ponieważ problemy zdrowotne, takie jak migotanie przedsionków, są mniej prawdopodobne). Ze względu na to zjawisko, Internet Rzeczy (IoT) redefiniuje pojęcie zdrowej jednostki jako połączenie ilościowego „ja” (wskaźniki osobiste zakodowane w smartfonie lub urządzeniu ubieralnym) i serii parametrów stylu życia dostarczanych przez urządzenia ubieralne (monitorowanie aktywności, kontrola wagi itp.).
Co więcej, w ciągu ostatnich kilku lat kilka firm z branży urządzeń ubieralnych zawarło ważne umowy z firmami ubezpieczeniowymi lub rządami w celu zorganizowania dystrybucji tych produktów na dużą skalę: tego rodzaju inicjatywy mają głównie na celu wywołanie zmiany stylu życia w dużych populacjach. Podczas gdy kraje zachodnie nadal ewoluują w kierunku systemów opieki zdrowotnej skoncentrowanych wokół indywidualnej odpowiedzialności pacjenta za własne zdrowie i dobre samopoczucie, często dyskutowane są etyczne implikacje ciągłego monitorowania zdrowia za pomocą urządzeń medycznych za pośrednictwem Internetu rzeczy. Na przykład, ciągłe monitorowanie i naruszanie prywatności może potencjalnie zwiększyć stygmatyzację osób przewlekle chorych lub znajdujących się w trudniejszej sytuacji (48) i ewentualnie ukarać tych obywateli, którzy nie są w stanie przyjąć nowych standardów zdrowego stylu życia, na przykład poprzez ograniczenie dostępu do ubezpieczenia zdrowotnego i opieki zdrowotnej; niewiele lub żadna debata nie koncentrowała się na tych potencjalnych i kluczowych pułapkach w tworzeniu polityki zdrowotnej.
W tych technologiczno-politycznych ramach kwestia ochrony i własności danych staje się coraz bardziej kluczowa, choć ma już ponad dwie dekady (49). W literaturze opisano kilka postaw wobec własności danych: chociaż niektóre prace opowiadają się za wspólną własnością danych pacjentów w celu uzyskania korzyści z podejścia medycyny spersonalizowanej (50, 51), konsensus przesuwa się w kierunku własności pacjentów, ponieważ ma ona pozytywny wpływ na zaangażowanie pacjentów, a także może poprawić wymianę informacji, jeśli zostanie opracowana umowa dotycząca wykorzystania danych między pacjentem a pracownikami służby zdrowia (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). W takich programach nauczania widać silniejsze podejście do nauk ścisłych (takich jak fizyka i matematyka) oraz dodanie nauk obliczeniowych, kodowania, algorytmiki i inżynierii mechatronicznej. Ci „rozszerzeni lekarze” liczyliby zarówno na doświadczenie kliniczne, jak i wiedzę cyfrową, aby rozwiązywać współczesne problemy zdrowotne, uczestniczyć w określaniu strategii cyfrowych dla instytucji opieki zdrowotnej, zarządzać transformacją cyfrową, edukować pacjentów i rówieśników.
Społeczeństwo, a także instytucje opieki zdrowotnej mogłyby skorzystać z tych specjalistów jako siatki bezpieczeństwa dla wszelkich procesów obejmujących AI w medycynie, ale także jako napęd innowacji i badań. Oprócz podstawowej edukacji medycznej, istnieje potrzeba wdrożenia ciągłych programów edukacyjnych dotyczących medycyny cyfrowej i skierowanych do lekarzy, którzy ukończyli studia, aby umożliwić im przekwalifikowanie się w tej rozwijającej się dziedzinie. W większości najnowocześniejszych szpitali na całym świecie, tacy eksperci są obciążeni misją Chief Medical Information Officer (CMIO).
3.4. Obietnica Ambient Clinical Intelligence: Avoiding Dehumanization by Technology
As reported by several studies (12, 13), electronic health records can be an important administrative burden and a source of burnout, phenomenon increasingly present in physicians, both in training and trained. Chociaż rozwiązania oparte na sztucznej inteligencji, takie jak przetwarzanie języka naturalnego, stają się coraz bardziej zdolne do pomocy lekarzowi w dostarczaniu kompletnej dokumentacji medycznej, potrzebne są dalsze rozwiązania, aby rozwiązać problem rosnącego czasu przeznaczonego na pośrednią opiekę nad pacjentem.
Ambient clinical intelligence (ACI) jest rozumiana jako wrażliwe, adaptacyjne i reagujące środowisko cyfrowe otaczające lekarza i pacjenta (54) i zdolne, na przykład, do analizy wywiadu i automatycznego wypełniania elektronicznej dokumentacji zdrowotnej pacjenta. Kilka projektów jest w trakcie realizacji w celu opracowania ACI, co byłoby kluczowym zastosowaniem sztucznej inteligencji w medycynie i bardzo potrzebne do rozwiązania współczesnych problemów z personelem lekarskim.
Jedną z wielkich barier dla przyjęcia inteligentnych technologii medycznych u lekarzy jest obawa przed dehumanizacją medycyny. Wynika to głównie z rosnących obciążeń administracyjnych (12) nakładanych na lekarzy. Jednak nowoczesne technologie, takie jak ACI i przetwarzanie języka naturalnego, z pewnością rozwiążą problem obciążeń administracyjnych i pomogą klinicystom bardziej skupić się na pacjencie.
3.5. Will Doctors Be Replaced by Artificial Intelligence?
As recently discussed in the literature (15, 16) doctors will most likely not be replaced by artificial intelligence: smart medical technologies exist as such as support to the physician in order to improve patient management. Jak jednak wskazują ostatnie badania (45), często dochodzi do porównań między rozwiązaniami sztucznej inteligencji a lekarzami, tak jakby te dwa odpowiedniki stanowiły dla siebie konkurencję. Przyszłe badania powinny skupić się na porównaniu lekarzy korzystających z rozwiązań opartych na sztucznej inteligencji z lekarzami nie korzystającymi z takich aplikacji i rozszerzyć te porównania na badania kliniczne o charakterze translacyjnym; tylko wtedy sztuczna inteligencja zostanie zaakceptowana jako uzupełnienie lekarzy. Pracownicy służby zdrowia znajdują się obecnie w uprzywilejowanej pozycji, aby móc przyjąć cyfrową ewolucję i być głównymi motorami zmian, chociaż konieczna jest poważna rewizja edukacji medycznej, aby zapewnić przyszłym liderom odpowiednie kompetencje.
Podsumowanie
Wdrożenie sztucznej inteligencji w praktyce klinicznej jest obiecującym obszarem rozwoju, który szybko ewoluuje wraz z innymi nowoczesnymi dziedzinami medycyny precyzyjnej, genomiki i telekonsultacji. Podczas gdy postęp naukowy powinien pozostać rygorystyczny i przejrzysty w opracowywaniu nowych rozwiązań w celu poprawy współczesnej opieki zdrowotnej, polityka zdrowotna powinna obecnie skupić się na rozwiązywaniu problemów etycznych i finansowych związanych z tym kamieniem węgielnym ewolucji medycyny.
Wkład autorów
Wszyscy wymienieni autorzy wnieśli istotny, bezpośredni i intelektualny wkład w tę pracę oraz zatwierdzili ją do publikacji.
Konflikt interesów
Autorzy deklarują, że badania zostały przeprowadzone przy braku jakichkolwiek komercyjnych lub finansowych relacji, które mogłyby być interpretowane jako potencjalny konflikt interesów.
1. Steinhubl SR, Muse ED, Topol EJ. The emerging field of mobile health. 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. Sztuczna inteligencja w inżynierii biomedycznej i informatyce: wprowadzenie i przegląd. 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. 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. Dekada innowacji w zakresie medycyny cyfrowej. 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? Neurosurgery. (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 with HoloLens: where virtual reality meets augmented reality in the operating room. Plast Reconstruct Surg. (2017) 140:1066-70. doi: 10.1097/PRS.00000000003802
PubMed Abstract | CrossRef Full Text | Google Scholar
9. Mishkind MC, Norr AM, Katz AC, Reger GM. Przegląd leczenia wirtualną rzeczywistością w psychiatrii: dowody versus obecne rozpowszechnienie i wykorzystanie. 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” wspólna grupa robocza „Technology-enhanced Teaching and Learning in Medicine (TeLL)” niemieckiego stowarzyszenia informatyki medycznej, biometrii i epidemiologii (gmds) oraz German Informatics Society (GI). Cyfrowe nauczanie i cyfrowa medycyna: potrzebna jest inicjatywa krajowa. 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. Ocena alokacji czasu hospitalizacji wśród pierwszorocznych rezydentów chorób wewnętrznych za pomocą obserwacji czasowo-ruchowych. 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. Wypalenie zawodowe lekarzy: przyczyny, konsekwencje i rozwiązania. J Int Med. (2018) 283:516-29. doi: 10.1111/joim.12752
PubMed Abstract | CrossRef Full Text | Google Scholar
14. Shah NR. Opieka zdrowotna w 2030 roku: czy sztuczna inteligencja zastąpi lekarzy? Ann Int Med. (2019) 170:407-8. doi: 10.7326/M19-0344
PubMed Abstract | CrossRef Full Text | Google Scholar
15. Topol EJ. Medycyna wysokowydajna: konwergencja ludzkiej i sztucznej inteligencji. 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. Potencjalna odpowiedzialność dla lekarzy korzystających ze sztucznej inteligencji. 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) Dostępne online na: https://www.lespecialiste.be/fr/debats/nous-devons-former-des-medecins-laquo-nbsp-augmentes-raquo.html (dostęp 26 października 2019 r.).
Google Scholar
19. Halcox JPJ, Wareham K, Cardew A, Gilmore M, Barry JP, Phillips C, et al. Ocena zdalnego próbkowania rytmu serca za pomocą monitora serca AliveCor w celu przesiewowego wykrywania migotania przedsionków: badanie 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. 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. Przewidywanie MACE ostrego zespołu wieńcowego poprzez wzmocnioną klasyfikację resamplingową przy użyciu elektronicznej dokumentacji medycznej. 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. Zastosowania sztucznej inteligencji w kardiologii. Przyszłość już tu jest. 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. Nie ma potrzeby, aby pulmonolodzy interpretowali testy czynnościowe płuc. 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. Patients’ and caregivers’ experiences of using continuous glucose monitoring to support diabetes self-management: qualitative study. 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. Sztuczna sieć neuronowa może wybrać pacjentów z wysokim ryzykiem rozwoju postępującej nefropatii IgA dokładniej niż doświadczeni nefrolodzy. 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. Zastosowanie sztucznej inteligencji w gastroenterologii. 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. Zbadanie potencjału klinicznego automatycznej metody wykrywania polipów jelita grubego opartej na tworzeniu map energetycznych. Endoscopy. (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. Possible contribution of artificial neural networks and linear discriminant analysis in recognition of patients with suspected atrophic body gastritis. 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. Endoscopy. (2018) 50:230-40. doi: 10.1055/s-0043-122385
CrossRef Full Text | Google Scholar
40. Yang HX, Feng W, Wei JC, Zeng TS, Li ZD, Zhang LJ, et al. Nomogram oparty na maszynie wektorów wspierających przewiduje pooperacyjne przerzuty odległe u pacjentów z płaskonabłonkowym rakiem przełyku. 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. Teleneurology and mobile technologies: the future of neurological care. 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. „Niewygodna prawda” o AI w opiece zdrowotnej. 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. Ethics of the health-related internet of things: a narrative review. Ethics Informat Technol. (2017) 19:157-75. doi: 10.1007/s10676-017-9426-4
CrossRef Full Text | Google Scholar
49. Williamson JB. Zachowanie poufności i bezpieczeństwa informacji dotyczących opieki zdrowotnej pacjentów. 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. Przypadek dla publicznej własności danych pacjentów. 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 dodane do programu nauczania dla przyszłych lekarzy. 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 Electron Eng. (2013) 101:2470-94. doi: 10.1109/JPROC.2013.2262913
PubMed Abstract | CrossRef Full Text | Google Scholar
.
Dodaj komentarz