Frontiere în medicină
On octombrie 30, 2021 by adminIntroducere
Expresia „tehnologie medicală” este utilizată pe scară largă pentru a aborda o serie de instrumente care pot permite profesioniștilor din domeniul sănătății să ofere pacienților și societății o calitate mai bună a vieții prin diagnosticarea timpurie, reducerea complicațiilor, optimizarea tratamentului și/sau furnizarea de opțiuni mai puțin invazive și reducerea duratei de spitalizare. În timp ce, înainte de era mobilă, tehnologiile medicale erau cunoscute în principal ca dispozitive medicale clasice (de exemplu, proteze, stenturi, implanturi), apariția smartphone-urilor, a dispozitivelor purtabile, a senzorilor și a sistemelor de comunicare a revoluționat medicina prin capacitatea de a conține instrumente alimentate de inteligența artificială (AI) (cum ar fi aplicațiile) în dimensiuni foarte mici (1). Inteligența artificială a revoluționat tehnologiile medicale și poate fi înțeleasă în mod obișnuit ca acea parte a informaticii care este capabilă să se ocupe de probleme complexe cu multe aplicații în domenii cu o cantitate uriașă de date, dar cu puțină teorie (2).
Tehnologiile medicale inteligente (de ex, alimentate cu inteligență artificială) au fost întâmpinate cu entuziasm de către populația generală, în parte pentru că permit un model de medicină 4P (predictivă, preventivă, personalizată și participativă) și, prin urmare, autonomia pacientului, în moduri care nu ar fi fost posibile (3); smartphone-urile devin, de exemplu, obiectul de referință pentru completarea și distribuirea unui dosar electronic personal de sănătate (4), monitorizarea funcțiilor vitale cu ajutorul biosenzorilor (5) și ajută la atingerea unei complianțe terapeutice optime (6), oferind astfel pacientului locul ca actor principal în traseul de îngrijire. Dezvoltarea tehnologiilor medicale inteligente permite dezvoltarea unui nou domeniu în medicină: medicina augmentată, și anume, utilizarea noilor tehnologii medicale pentru a îmbunătăți diferite aspecte ale practicii clinice. Mai mulți algoritmi bazați pe inteligență artificială au fost aprobați în ultimul deceniu de Food and Drug Administration (FDA) și, prin urmare, ar putea fi implementați. Medicina augmentată nu este permisă doar de tehnologiile bazate pe inteligență artificială, ci și de alte câteva instrumente digitale, cum ar fi sistemele de navigație chirurgicală pentru chirurgia asistată de calculator (7), instrumentele de continuitate a realității virtuale pentru chirurgie, gestionarea durerii și tulburările psihiatrice (8-10).
Deși domeniul medicinei augmentate pare să se confrunte cu succes în rândul pacienților, acesta se poate confrunta cu o anumită rezistență din partea profesioniștilor din domeniul sănătății, în special a medicilor: în ceea ce privește acest fenomen, ar trebui să fie furnizate patru motive larg discutate. În primul rând, nepregătirea în ceea ce privește potențialul medicinei digitale se datorează lipsei evidente de educație de bază și continuă în ceea ce privește această disciplină (11). În al doilea rând, digitalizarea timpurie a proceselor de asistență medicală, foarte diferită de promisiunea medicinei augmentate, a venit cu o creștere abruptă a sarcinii administrative legate în principal de dosarele electronice de sănătate (12), care a ajuns să fie cunoscută ca fiind una dintre principalele componente ale epuizării medicilor (13). În al treilea rând, există o teamă din ce în ce mai mare cu privire la riscul ca IA să înlocuiască medicii (14), deși opinia curentă și dominantă în literatura de specialitate este că IA va completa inteligența medicilor în viitor (15, 16). În al patrulea rând, lipsa actuală, la nivel mondial, a unui cadru juridic care să definească conceptul de răspundere în cazul adoptării sau respingerii recomandărilor algoritmilor lasă medicul expus unor potențiale rezultate juridice atunci când utilizează IA (17).
În ceea ce privește lipsa educației în domeniul medicinei digitale, mai multe școli medicale private își pregătesc viitorii lideri medicali pentru provocarea medicinei augmentate, fie prin asocierea curriculei de medicină cu cea de inginerie, fie prin implementarea alfabetizării în domeniul sănătății digitale și a utilizării acesteia în cadrul unei curricule îmbunătățite (18).
Obiectivul acestei lucrări este de a rezuma evoluțiile recente ale inteligenței artificiale în medicină, de a oferi principalele cazuri de utilizare în care tehnologiile medicale bazate pe inteligența artificială pot fi deja utilizate în practica clinică și perspectivele privind provocările și riscurile cu care se confruntă profesioniștii și instituțiile din domeniul sănătății în timp ce implementează medicina augmentată, atât în practica clinică, cât și în educația viitorilor lideri medicali.
Aplicații actuale ale inteligenței artificiale în medicină
2.1. Cardiologie
2.1.1. Cardiologie
2.1.1. Fibrilația atrială
Detecția timpurie a fibrilației atriale a fost una dintre primele aplicații ale IA în medicină. AliveCor a primit aprobarea FDA în 2014 pentru aplicația lor mobilă Kardia care permite monitorizarea ECG pe bază de smartphone și detectarea fibrilației atriale. Studiul recent REHEARSE-AF (19) a arătat că monitorizarea ECG la distanță cu Kardia la pacienții ambulatoriali are mai multe șanse de a identifica fibrilația atrială decât îngrijirea de rutină. Apple a obținut, de asemenea, aprobarea FDA pentru Apple Watch 4, care permite dobândirea ușoară a ECG și detectarea fibrilației atriale, care poate fi împărtășită cu practicianul ales prin intermediul unui smartphone (20). Au fost abordate mai multe critici ale tehnologiilor ECG purtabile și portabile (21), subliniind limitările utilizării lor, cum ar fi rata falsurilor pozitive provenite din artefactele de mișcare și barierele în adoptarea tehnologiei purtabile la pacienții vârstnici, care sunt mai susceptibili de a suferi de fibrilație atrială.
2.1.2. Riscul cardiovascular
Aplicată la dosarele electronice ale pacienților, IA a fost utilizată pentru a prezice riscul de boli cardiovasculare, de exemplu sindromul coronarian acut (22) și insuficiența cardiacă (23) mai bine decât scalele tradiționale. Cu toate acestea, recenziile cuprinzătoare recente (24) au raportat modul în care rezultatele pot varia în funcție de mărimea eșantionului utilizat în raportul de cercetare.
2.2. Medicină pulmonară
Interpretarea testelor funcționale pulmonare a fost raportată ca un domeniu promițător pentru dezvoltarea aplicațiilor AI în medicina pulmonară. Un studiu recent (25) a raportat modul în care software-ul bazat pe IA oferă o interpretare mai precisă și servește ca instrument de sprijin decizional în cazul privind interpretarea rezultatelor testelor funcționale pulmonare. Studiul a primit mai multe critici, dintre care una dintre ele (26) a raportat modul în care rata de diagnosticare precisă la medicii pneumologi care au participat la studiu a fost considerabil mai mică decât media pe țară
2.3. Endocrinologie
Monitorizarea continuă a glicemiei permite pacienților cu diabet zaharat să vizualizeze în timp real citirile de glucoză interstițială și oferă informații despre direcția și rata de schimbare a nivelului de glucoză din sânge (27) Medtronic a primit aprobarea FDA pentru sistemul Guardian de monitorizare a glicemiei, care este asociat cu un smartphone (28). În 2018, compania a încheiat un parteneriat cu Watson (inteligență artificială dezvoltată de IBM) pentru sistemul Sugar.IQ pentru a-și ajuta clienții să prevină mai bine episoadele hipoglicemice pe baza măsurătorilor repetate. Monitorizarea continuă a glicemiei poate permite pacienților să își optimizeze controlul glicemiei și să reducă stigmatul asociat cu episoadele de hipoglicemie; cu toate acestea, un studiu axat pe experiența pacienților cu monitorizarea glicemiei a raportat că participanții, în timp ce își exprimau încrederea în notificări, au declarat, de asemenea, sentimente de eșec personal în ceea ce privește reglarea nivelului de glucoză (27).
2.4. Nefrologie
Inteligența artificială a fost aplicată în mai multe contexte în nefrologia clinică. De exemplu, s-a dovedit a fi utilă pentru predicția declinului ratei de filtrare glomerulară la pacienții cu boală polichistică de rinichi (29) și pentru stabilirea riscului de nefropatie progresivă cu IgA (30). Cu toate acestea, o recenzie recentă relatează cum în acest moment cercetarea este limitată de mărimea eșantionului necesar pentru inferență (31).
2.5. Gastroenterologie
Specialitatea de gastroenterologie beneficiază de o gamă largă de aplicații ale IA în mediul clinic. Gastroenterologii au utilizat rețele neuronale convoluționale printre alte modele de învățare profundă pentru a procesa imagini din endoscopie și ecografie (32) și pentru a detecta structuri anormale, cum ar fi polipii colonici (33). Rețelele neuronale artificiale au fost, de asemenea, utilizate pentru a diagnostica boala de reflux gastroesofagian (34) și gastrita atrofică (35), precum și pentru a prezice rezultatele în cazul hemoragiilor gastrointestinale (36), supraviețuirea cancerului esofagian (37), a bolii inflamatorii intestinale (38) și a metastazelor în cazul cancerului colorectal (39) și al carcinomului esofagian cu celule scuamoase (40).
2.6. Neurologie
2.6.1. Epilepsie
Dispozitivele inteligente de detectare a convulsiilor sunt tehnologii promițătoare care au potențialul de a îmbunătăți gestionarea convulsiilor prin monitorizare ambulatorie permanentă. Empatica a primit aprobarea FDA în 2018 pentru dispozitivul lor portabil Embrace, care, asociat cu captatorii electrodermici, poate detecta crizele de epilepsie generalizată și le raportează la o aplicație mobilă care este capabilă să alerteze rudele apropiate și medicul de încredere cu informații complementare despre localizarea pacientului (41). Un raport axat pe experiența pacienților, a arătat că, spre deosebire de dispozitivele purtabile de monitorizare cardiacă, pacienții care suferă de epilepsie nu au avut bariere în adoptarea dispozitivelor de detectare a crizelor și au raportat un interes ridicat pentru utilizarea dispozitivelor purtabile (42).
2.6.2. Evaluarea mersului, a posturii și a tremorului
Senzorii purtabili s-au dovedit a fi utili pentru evaluarea cantitativă a mersului, a posturii și a tremorului la pacienții cu scleroză multiplă, boala Parkinson, parkinsonism și boala Huntington (43).
2.7. Diagnosticarea computațională a cancerului în histopatologie
Paige.ai a primit statutul de descoperire din partea FDA pentru un algoritm bazat pe inteligență artificială care este capabil să diagnosticheze cancerul în histopatologia computațională cu o mare acuratețe, permițând patologului să câștige timp pentru a se concentra pe lamele importante (44).
2.8. Imagistica medicală și validarea tehnologiilor bazate pe inteligență artificială
O meta-analiză mult așteptată a comparat performanțele softurilor de învățare profundă și ale radiologilor în domeniul diagnosticării bazate pe imagistică (45): deși învățarea profundă pare a fi la fel de eficientă ca radiologul pentru diagnosticare, autorii au subliniat că 99% dintre studii au fost găsite ca neavând un design fiabil; în plus, doar o miime dintre lucrările care au fost analizate și-au validat rezultatele prin faptul că algoritmii au diagnosticat imagistica medicală provenită de la alte populații sursă. Aceste constatări susțin necesitatea unei validări extinse a tehnologiilor bazate pe inteligență artificială prin studii clinice riguroase (5).
Discuție: Provocări și direcții viitoare ale inteligenței artificiale în medicină
3.1. Validarea tehnologiilor bazate pe inteligență artificială: Spre o criză a replicării?
Una dintre provocările principale ale aplicării IA în medicină în următorii ani va fi validarea clinică a conceptelor și instrumentelor de bază dezvoltate recent. Deși multe studii au introdus deja utilitatea IA cu oportunități clare bazate pe rezultate promițătoare, mai multe limitări bine recunoscute și frecvent raportate ale studiilor de IA sunt susceptibile de a complica această validare. Vom aborda în cele ce urmează trei dintre aceste limitări, precum și vom oferi posibile modalități de depășire a acestora.
În primul rând, s-a constatat că majoritatea studiilor care compară eficiența AI față de cea a clinicienilor au o concepție nesigură și se știe că le lipsește replicarea primară, adică validarea algoritmilor dezvoltați pe eșantioane provenind din alte surse decât cea utilizată pentru antrenarea algoritmilor (45). Această dificultate ar putea fi depășită în era științei deschise, deoarece datele deschise și metodele deschise sunt menite să primească din ce în ce mai multă atenție ca bune practici în cercetare. Cu toate acestea, tranziția către știința deschisă s-ar putea dovedi dificilă pentru companiile de IA medicală care dezvoltă software ca activitate principală.
În al doilea rând, se știe că studiile care raportează aplicarea IA în practica clinică sunt limitate din cauza modelelor retrospective și a dimensiunilor eșantioanelor; astfel de modele includ potențial prejudecăți de selecție și de spectru, adică modelele sunt dezvoltate pentru a se potrivi în mod optim unui anumit set de date (acest fenomen este, de asemenea, cunoscut sub numele de supraadaptare), dar nu reproduc aceleași rezultate în alte seturi de date (32). Reevaluarea și calibrarea continuă după adoptarea algoritmilor care sunt suspectați de supraajustare ar trebui să fie necesare pentru a adapta software-ul la fluctuația datelor demografice ale pacienților (46). În plus, există un consens din ce în ce mai mare în ceea ce privește necesitatea dezvoltării de algoritmi concepuți pentru a se potrivi unor comunități mai mari, ținând cont în același timp de subgrupuri (47).
În al treilea rând, se cunosc doar câteva studii care să compare IA și clinicienii pe baza acelorași seturi de date; chiar și în acest scenariu, au fost formulate critici care indică o rată de acuratețe a diagnosticului mai mică decât cea așteptată la medicii de specialitate. (26). Opoziția dintre IA și clinicieni este, deși bine reprezentată în literatura științifică, probabil că nu este cel mai bun mod de a aborda problema performanței în expertiza medicală: mai multe studii abordează în prezent interacțiunea dintre clinicieni și algoritmi (47), deoarece combinația dintre inteligența umană și cea artificială este mai performantă decât oricare dintre ele de una singură.
3.2. Implicațiile etice ale monitorizării continue
Tehnologia medicală este una dintre cele mai promițătoare piețe ale secolului XXI, cu o valoare de piață estimată care se apropie rapid de o mie de miliarde de dolari în 2019. Un procent din ce în ce mai mare din venituri se datorează vânzării cu amănuntul a dispozitivelor medicale (cum ar fi dispozitivele de monitorizare cardiacă) către o populație mai tânără, care nu reprezintă profilul principal al consumatorului-țintă (deoarece problemele de sănătate, cum ar fi fibrilația atrială, sunt mai puțin probabile să apară). Din cauza acestui fenomen, Internetul obiectelor (IoT) redefinește conceptul de individ sănătos ca o combinație între sinele cuantificat (indicatori personali codificați în smartphone sau în dispozitivul portabil) și o serie de parametri de stil de viață furnizați de dispozitivele portabile (monitorizarea activității, controlul greutății etc.).
În plus, în ultimii doi ani, mai multe companii producătoare de dispozitive portabile au încheiat acorduri importante fie cu companii de asigurări, fie cu guvernele pentru a organiza o distribuție pe scară largă a acestor produse: acest tip de inițiative vizează în principal să inducă schimbarea stilului de viață în rândul unor populații mari. În timp ce țările occidentale continuă să evolueze către sisteme de sănătate centrate pe responsabilitatea individuală a pacientului față de propria sănătate și bunăstare, implicațiile etice ale monitorizării medicale continue cu dispozitive medicale prin intermediul internetului obiectelor sunt frecvent discutate. De exemplu, monitorizarea continuă și încălcarea confidențialității au potențialul de a crește stigmatizarea în jurul cetățenilor bolnavi cronic sau mai dezavantajați (48) și, eventual, de a-i penaliza pe acei cetățeni care nu sunt capabili să adopte noi standarde de stil de viață sănătos, de exemplu prin reducerea accesului la asigurări de sănătate și la asistență medicală; puține sau deloc au fost dezbătute aceste capcane potențiale și cruciale în elaborarea politicilor de sănătate.
În acest cadru tehnico-politic, problema protecției și proprietății datelor devine din ce în ce mai crucială, deși este veche de peste două decenii (49). În literatura de specialitate sunt descrise mai multe atitudini față de proprietatea asupra datelor: deși unele lucrări pledează pentru proprietatea comună a datelor pacienților pentru a profita de abordările de medicină personalizată (50, 51), consensul se îndreaptă spre proprietatea pacientului, deoarece aceasta are efecte pozitive asupra implicării pacientului, precum și poate îmbunătăți schimbul de informații dacă este elaborat un acord de utilizare a datelor între pacient și profesioniștii din domeniul sănătății (52).
3.3. Nevoia de a educa medici augmentați
Câteva universități au început să creeze noi programe de studii medicale, inclusiv un doctorat în inginerie (18), pentru a răspunde nevoii de educare a viitorilor lideri medicali la provocările inteligenței artificiale în medicină (53). Astfel de programe de studii văd o abordare mai puternică a științelor exacte (cum ar fi fizica și matematica), precum și adăugarea de științe computaționale, codificare, algoritmică și inginerie mecatronică. Acești „medici augmentați” ar conta atât pe o experiență clinică, cât și pe o expertiză digitală pentru a rezolva problemele moderne de sănătate, ar participa la definirea strategiilor digitale pentru instituțiile de sănătate, ar gestiona tranziția digitală, ar educa pacienții și colegii.
Societatea, precum și instituțiile de sănătate ar putea beneficia de acești profesioniști ca o plasă de siguranță pentru orice procese care includ inteligența artificială în medicină, dar și ca un motor de inovare și cercetare. În afară de educația medicală de bază, este nevoie de implementarea unor programe educaționale continue privind medicina digitală și care să vizeze medicii absolvenți, astfel încât să permită reconversia profesională în acest domeniu în creștere. În majoritatea spitalelor de ultimă generație din întreaga lume, astfel de experți sunt însărcinați cu misiunea de Chief Medical Information Officer (CMIO).
3.4. Promisiunea inteligenței clinice ambientale: Evitarea dezumanizării prin tehnologie
După cum au raportat mai multe studii (12, 13), dosarele electronice de sănătate pot fi o povară administrativă importantă și o sursă de burnout, fenomen tot mai prezent la medici, atât cei în formare, cât și cei antrenați. Deși soluțiile de inteligență artificială, cum ar fi procesarea limbajului natural, devin din ce în ce mai capabile să ajute medicul să livreze dosare medicale complete, sunt necesare soluții suplimentare pentru a rezolva problema timpului tot mai mare alocat îngrijirii indirecte a pacienților.
Inteligența clinică ambiantă (ACI) este înțeleasă ca un mediu digital sensibil, adaptabil și receptiv care înconjoară medicul și pacientul (54) și care este capabil, de exemplu, să analizeze interviul și să completeze automat dosarul electronic de sănătate al pacientului. Mai multe proiecte sunt în curs de desfășurare pentru a dezvolta un ACI, care ar fi o aplicație crucială a inteligenței artificiale în medicină și foarte necesară pentru a rezolva problemele moderne cu forța de muncă a medicilor.
Una dintre marile bariere în calea adoptării tehnologiilor medicale inteligente la medici este teama de o dezumanizare a medicinei. Aceasta se datorează, în principal, creșterii sarcinii administrative (12) impuse medicilor. Cu toate acestea, tehnologiile moderne, cum ar fi ACI și procesarea limbajului natural, sunt menite să rezolve problema sarcinii administrative și îi vor ajuta pe medici să se concentreze mai mult asupra pacientului.
3.5. Vor fi medicii înlocuiți de inteligența artificială?
După cum s-a discutat recent în literatura de specialitate (15, 16), cel mai probabil medicii nu vor fi înlocuiți de inteligența artificială: tehnologiile medicale inteligente există ca atare ca sprijin pentru medic în vederea îmbunătățirii gestionării pacienților. Cu toate acestea, după cum au indicat studii recente (45), apar frecvent comparații între soluțiile de inteligență artificială și medici, ca și cum cei doi omologi ar fi în competiție. Studiile viitoare ar trebui să se concentreze pe comparația dintre medicii care utilizează soluții de inteligență artificială cu medicii fără ajutorul unor astfel de aplicații și să extindă aceste comparații la studii clinice translaționale; numai atunci inteligența artificială va fi acceptată ca fiind complementară medicilor. Profesioniștii din domeniul sănătății se află în prezent într-o poziție privilegiată, pentru a putea întâmpina evoluția digitală și pentru a fi principalii promotori ai schimbării, deși este necesară o revizuire majoră a educației medicale pentru a le oferi viitorilor lideri competențele necesare pentru a face acest lucru.
Concluzie
Implementarea inteligenței artificiale în practica clinică este un domeniu de dezvoltare promițător, care evoluează rapid împreună cu alte domenii moderne, cum ar fi medicina de precizie, genomica și teleconsultarea. În timp ce progresul științific ar trebui să rămână riguros și transparent în dezvoltarea de noi soluții pentru a îmbunătăți asistența medicală modernă, politicile de sănătate ar trebui să se concentreze acum pe abordarea problemelor etice și financiare asociate cu această piatră de temelie a evoluției medicinei.
Contribuții ale autorilor
Toți autorii enumerați au avut o contribuție substanțială, directă și intelectuală la această lucrare și au aprobat-o pentru publicare.
Conflict de interese
Autorii declară că cercetarea a fost efectuată în absența oricăror relații comerciale sau financiare care ar putea fi interpretate ca un potențial conflict de interese.
1. Steinhubl SR, Muse ED, Topol EJ. Domeniul emergent al sănătății mobile. Sci Trans Med. (2015) 7:283rv3. doi: 10.1126/scitranslmed.aaa3487
PubMed Abstract | CrossRef Full Text | Google Scholar
2. Peng Y, Zhang Y, Wang L. 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 | 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 | Full CrossRef 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. Un deceniu de inovare în medicina digitală. 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. Asocierea unei aplicații smartphone cu aderența la medicație și controlul tensiunii arteriale: studiul clinic randomizat MedISAFE-BP. JAMA Int Med. (2018) 178:802-9. doi: 10.1001/jamainternmed.2018.0447
PubMed Abstract | CrossRef Full Text | Google Scholar
7. Overley SC, Cho SK, Mehta AI, Arnold PM. Navigația și robotica în chirurgia coloanei vertebrale: unde ne aflăm acum? Neurochirurgie. (2017) 80:S86-99. doi: 10.1093/neuros/nyw077
PubMed Abstract | Refef Full Text | Google Scholar
8. Tepper OM, Rudy HL, Rudy HL, Lefkowitz A, Weimer KA, Marks SM, Stern CS, et al. Realitatea mixtă cu HoloLens: unde realitatea virtuală întâlnește realitatea augmentată în sala de operație. 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. Revizuirea tratamentului cu realitate virtuală în psihiatrie: dovezi față de difuzarea și utilizarea actuală. 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. Eficacitatea distragerii realității virtuale pentru reducerea durerii: o revizuire sistematică. 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” grup de lucru comun „Technology-enhanced Teaching and Learning in Medicine (TeLL)” al Asociației germane pentru informatică medicală biometrie și epidemiologie (gmds) și al Societății germane de informatică (GI). Predarea digitală și medicina digitală: este nevoie de o inițiativă națională. 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. Evaluarea alocării timpului de spitalizare în rândul rezidenților de medicină internă din primul an, utilizând observații de timp și mișcare. 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: contribuitori, consecințe și soluții. J Int Med. (2018) 283:516-29. doi: 10.1111/joim.12752
PubMed Abstract | CrossRef Full Text | Google Scholar
14. Shah NR. Asistența medicală în 2030: va înlocui inteligența artificială medicii? Ann Int Med. (2019) 170:407-8. doi: 10.7326/M19-0344
PubMed Abstract | Full Text | Google Scholar
15. Topol EJ. Medicina de înaltă performanță: convergența dintre inteligența umană și cea artificială. Nat Med. (2019) 25:44-56. doi: 10.1038/s41591-018-0300-7
PubMed Abstract | Refef Full Text | Google Scholar
16. Verghese A, Shah NH, Harrington RA. Ceea ce are nevoie acest computer este un medic: umanismul și inteligența artificială. 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. Răspunderea potențială a medicilor care utilizează inteligența artificială. 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) Disponibil online la: https://www.lespecialiste.be/fr/debats/nous-devons-former-des-medecins-laquo-nbsp-augmentes-raquo.html (accesat la 26 octombrie 2019).
Google Scholar
19. Halcox JPJ, Wareham K, Cardew A, Gilmore M, Barry JP, Phillips C, et al. Evaluarea eșantionării la distanță a ritmului cardiac cu ajutorul monitorului cardiac AliveCor pentru depistarea fibrilației atriale: studiul 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. Predicția MACE a sindromului coronarian acut prin clasificarea de reeșantionare potențată utilizând înregistrările medicale electronice. J Biomed Inform. (2017) 66:161-70. doi: 10.1016/j.jbi.2017.01.001
PubMed Abstract |Ref Full Text | Google Scholar
23. Mortazavi BJ, Downing NS, Bucholz EM, Dharmarajan K, Manhapra A, Li SX, et al. Analiza tehnicilor de învățare automată pentru readmisii de insuficiență cardiacă. 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. Aplicații ale inteligenței artificiale în cardiologie. Viitorul este deja aici. Revista Española de Cardiología. (2019) 72:1065-75. doi: 10.1016/j.rec.2019.05.014
PubMed Abstract | Refef Full Text | Google Scholar
25. Topalovic M, Das N, Burgel PR, Daenen M, Derom E, Haenebalcke C, et al. Inteligența artificială depășește performanțele pneumologilor în interpretarea testelor funcționale pulmonare. Eur Respirat J. (2019) 53:1801660. doi: 10.1183/13993003.01660-2018.
PubMed Abstract | CrossRef Full Text | Google Scholar
26. Delclaux C. Nu este nevoie ca pneumologii să interpreteze testele funcționale pulmonare. 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. Experiențele pacienților și ale îngrijitorilor privind utilizarea monitorizării continue a glicemiei pentru a sprijini autogestionarea diabetului: studiu calitativ. BMC Endocrine Disord. (2018) 18:12. doi: 10.1186/s12902-018-0239-1
PubMed Abstract | Reflectarea textului complet | Google Scholar
28. Christiansen MP, Garg SK, Brazg R, Bode BW, Bailey TS, Slover RH, et al. Precizia unui senzor de glucoză continuă subcutanată de a patra generație. Diabet Technol Therapeut. (2017) 19:446-56. doi: 10.1089/dia.2017.0087
PubMed Abstract | Text integral | 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. O rețea neuronală artificială poate selecta pacienții cu risc ridicat de a dezvolta nefropatie IgA progresivă mai precis decât nefrologii experimentați. 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. Aplicarea inteligenței artificiale în gastroenterologie. World J Gastroenterol. (2019) 25:1666-83. doi: 10.3748/wjg.v25.i14.1666
PubMed Abstract | PubMed 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. Explorarea potențialului clinic al unei metode automate de detectare a polipilor colonici bazată pe crearea de hărți energetice. Endoscopie. (2016) 48:837-42. doi: 10.1055/s-0042-108434
PubMed Abstract | Full CrossRef 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. Predicția supraviețuirii la pacienții cu carcinom esofagian utilizând rețele neuronale artificiale. Cancer. (2005) 103:1596-605. doi: 10.1002/cncr.20938
PubMed Abstract | CrossRef Full Text | Google Scholar
38. Peng JC, Ran ZH, Shen J. Variația sezonieră a apariției și recidivei IBD și un model de predicție a frecvenței de apariție, recidivă și severitate a IBD pe baza rețelei neuronale artificiale. Int J Colorect Dis. (2015) 30:1267-73. doi: 10.1007/s00384-015-2250-6
PubMed Abstract | Refef 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, Feng W, Wei JC, Zeng TS, Li ZD, Zhang LJ, et al. Nomograma bazată pe mașini de vectori de suport prezice metastazele la distanță postoperatorii pentru pacienții cu carcinom cu celule scuamoase esofagiene. Br J Cancer. (2013) 109:1109-16. doi: 10.1038/bjc.2013.379
PubMed Abstract | Full CrossRef Text | Google Scholar
41. Regalia G, Onorati F, Lai M, Caborni C, Picard RW. Dispozitive multimodale purtate la încheietura mâinii pentru detectarea convulsiilor și avansarea cercetării: accent pe brățările Empatica. Epilep Res. (2019) 153:79-82. doi: 10.1016/j.eplepsyres.2019.02.007
PubMed Abstract | CrossRef Full Text | Google Scholar
42. Bruno E, Simblett S, Lang A, Biondi A, Odoi C, Schulze-Bonhage A, et al. Wearable technology in epilepsy: the views of patients, caregivers, and healthcare professionals. Epilep Behav. (2018) 85:141-9. doi: 10.1016/j.yebeh.2018.05.044
PubMed Abstract | CrossRef Full Text | Google Scholar
43. Dorsey ER, Glidden AM, Holloway MR, Birbeck GL, Schwamm LH. Teleneurologia și tehnologiile mobile: viitorul îngrijirii neurologice. Nat Rev Neurol. (2018) 14:285-97. doi: 10.1038/nrneurol.2018.31
PubMed Abstract | Refef 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. „Adevărul incomod” despre IA în asistența medicală. NPJ Digit Med. (2019) 2:1-3. doi: 10.1038/s41746-019-0155-4
PubMed Abstract | Full CrossRef 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 | Full CrossRef Text | Google Scholar
48. Mittelstadt B. Ethics of the health-related internet of things: a narrative review (Etica internetului lucrurilor legate de sănătate: o analiză narativă). Ethics Informat Technol. (2017) 19:157-75. doi: 10.1007/s10676-017-9426-4
CrossRef Full Text | Google Scholar
49. Williamson JB. Păstrarea confidențialității și securității informațiilor privind îngrijirea sănătății pacienților. Top Health Informat Manage. (1996) 16:56-60.
PubMed Abstract | Google Scholar
50. Montgomery J. Data sharing and the idea of ownership (Partajarea datelor și ideea de proprietate). New Bioeth Multidiscipl J Biotechnol Body. (2017) 23:81-6. doi: 10.1080/20502877.2017.1314893
PubMed Abstract | Refef 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 | Refef Full Text | Google Scholar
52. Mikk KA, Sleeper HA, Topol EJ. Calea către proprietatea datelor pacienților și o sănătate mai bună. JAMA. (2017) 318:1433-4. doi: 10.1001/jama.2017.12145
PubMed Abstract | Textul integral | Google Scholar
53. Brouillette M. IA adăugată la curriculum pentru viitorii medici. Nat Med. (2019). 25:1808-9. doi: 10.1038/s41591-019-0648-3
PubMed Abstract | Text integral | Google Scholar
54. Acampora G, Cook DJ, Rashidi P, Vasilakos AV. Un studiu privind inteligența ambientală în asistența medicală. Proc IEEE Inst Elect Electron Eng. (2013) 101:2470-94. doi: 10.1109/JPROC.2013.2262913
PubMed Abstract | CrossRef Full Text | Google Scholar
.
Lasă un răspuns