Frontiers in Medicine
On oktober 30, 2021 by adminIntroduktion
Uttrycket ”medicinsk teknik” används ofta för att beskriva en rad verktyg som kan göra det möjligt för hälso- och sjukvårdspersonal att ge patienterna och samhället en bättre livskvalitet genom att ställa en tidig diagnos, minska komplikationer, optimera behandlingen och/eller tillhandahålla mindre invasiva alternativ och förkorta längden på sjukhusvistelsen. Före den mobila eran var medicinsk teknik främst känd som klassisk medicinsk utrustning (t.ex. proteser, stentar, implantat), men framväxten av smartphones, wearables, sensorer och kommunikationssystem har revolutionerat medicinen med förmågan att innehålla AI-drivna verktyg (t.ex. tillämpningar) med artificiell intelligens (AI) i mycket små storlekar (1). AI har revolutionerat medicinsk teknik och kan allmänt förstås som den del av datavetenskapen som kan hantera komplexa problem med många tillämpningar inom områden med enorma mängder data men lite teori (2).
Intelligent medicinsk teknik (dvs, AI-drivna) har mötts med entusiasm av den allmänna befolkningen, delvis för att den möjliggör en 4P-modell för medicin (Predictive, Preventive, Personalized, and Participatory) och därmed patientens autonomi på ett sätt som inte skulle ha varit möjligt (3). Smartphones är till exempel på väg att bli den vanligaste produkten för att fylla i och distribuera en elektronisk personlig hälsodatabas (4), övervaka vitala funktioner med biosensorer (5) och hjälpa till att uppnå optimal terapitillgänglighet (6), och därmed ge patienten en plats som den viktigaste aktören i vårdprocessen. Utvecklingen av intelligent medicinsk teknik möjliggör utvecklingen av ett nytt område inom medicinen: förstärkt medicin, dvs. användningen av ny medicinsk teknik för att förbättra olika aspekter av klinisk praxis. Flera AI-baserade algoritmer har under det senaste decenniet godkänts av Food and Drug Administration (FDA) och skulle därför kunna genomföras. Den förstärkta medicinen möjliggörs inte bara av AI-baserad teknik utan även av flera andra digitala verktyg, t.ex. kirurgiska navigationssystem för datorstödd kirurgi (7), verktyg för virtuell verklighet för kirurgi, smärtlindring och psykiatriska störningar (8-10).
Och även om den förstärkta medicinen tycks vara framgångsrik hos patienterna, kan den mötas av ett visst motstånd från hälso- och sjukvårdspersonal, i synnerhet från läkare: när det gäller detta fenomen bör fyra allmänt diskuterade orsaker anges. För det första beror oförberedelsen när det gäller den digitala medicinens potential på den uppenbara bristen på grundutbildning och fortbildning inom denna disciplin (11). För det andra ledde den tidiga digitaliseringen av vårdprocesser, som skiljer sig mycket från löftet om förstärkt medicin, till en kraftig ökning av den administrativa bördan, främst i samband med elektroniska patientjournaler (12), vilket har kommit att bli känt som en av de viktigaste komponenterna i läkares utbrändhet (13). För det tredje finns det en ökande rädsla för risken att AI ska ersätta läkare (14), även om den nuvarande och vanligaste åsikten i litteraturen är att AI kommer att komplettera läkarnas intelligens i framtiden (15, 16). För det fjärde gör den nuvarande globala bristen på en rättslig ram som definierar begreppet ansvar vid antagande eller förkastande av algoritmrekommendationer att läkaren är utsatt för potentiella rättsliga följder vid användning av AI (17).
För att komma till rätta med bristen på utbildning i digital medicin förbereder flera privata läkarutbildningar sina framtida medicinska ledare på utmaningen med utökad medicin genom att antingen associera den medicinska läroplanen med läroplanen för ingenjörsvetenskap eller genom att införa kunskaper om och användning av digital hälsa i en uppgraderad läroplan (18).
Syftet med den här artikeln är att sammanfatta den senaste utvecklingen av artificiell intelligens inom medicin, ge de viktigaste användningsfallen där AI-driven medicinsk teknik redan kan användas i klinisk praxis och perspektiv på de utmaningar och risker som vårdpersonal och institutioner står inför när de implementerar förstärkt medicin, både i klinisk praxis och i utbildningen av framtida medicinska ledare.
Aktuella tillämpningar av artificiell intelligens inom medicin
2.1. Kardiologi
2.1.1.1. Förmaksflimmer
Den tidiga upptäckten av förmaksflimmer var en av de första tillämpningarna av artificiell intelligens inom medicinen. AliveCor fick 2014 FDA-godkännande för sin mobilapplikation Kardia som möjliggör smartphone-baserad EKG-övervakning och upptäckt av förmaksflimmer. Den nyligen genomförda REHEARSE-AF-studien (19) visade att fjärrövervakning av EKG med Kardia hos ambulerande patienter har större sannolikhet att identifiera förmaksflimmer än rutinvård. Apple fick också FDA-godkännande för sin Apple Watch 4 som gör det möjligt att enkelt få fram EKG och upptäcka förmaksflimmer som kan delas med valfri behandlare via en smartphone (20). Flera kritiska synpunkter på bärbar och portabel EKG-teknik har tagits upp (21), där man lyfter fram begränsningar i användningen av dem, t.ex. den falska positiva frekvensen som härrör från rörelseartefakter, och hinder för införandet av bärbar teknik hos äldre patienter som löper större risk att drabbas av förmaksflimmer.
2.1.2. Kardiovaskulär risk
Användning på elektroniska patientjournaler har AI använts för att förutsäga risken för kardiovaskulära sjukdomar, t.ex. akut kranskärlssyndrom (22) och hjärtsvikt (23) bättre än traditionella skalor. Nya omfattande översikter (24) har dock rapporterat hur resultaten kan variera beroende på vilken urvalsstorlek som används i forskningsrapporten.
2.2. Lungmedicin
Tolkningen av lungfunktionsundersökningar har rapporterats som ett lovande område för utveckling av AI-tillämpningar inom lungmedicin. I en nyligen genomförd studie (25) rapporterades hur AI-baserad programvara ger en mer exakt tolkning och fungerar som ett beslutsstöd vid tolkning av resultat från lungfunktionsundersökningar. Studien fick flera kritiska kommentarer, varav en (26) rapporterade hur andelen korrekta diagnoser hos de lungläkare som deltog i studien var betydligt lägre än genomsnittet i landet.
2.3. Endokrinologi
Kontinuerlig glukosmätning gör det möjligt för patienter med diabetes att se interstitiella glukosmätningar i realtid och ger information om blodglukosnivåernas riktning och förändringshastighet (27) Medtronic fick FDA-godkännande för sitt Guardian-system för glukosmätning, som är smartphone-anpassat (28). Under 2018 samarbetade företaget med Watson (AI utvecklad av IBM) för sitt Sugar.IQ-system för att hjälpa sina kunder att bättre förebygga hypoglykemiska episoder baserat på upprepade mätningar. Kontinuerlig blodglukosövervakning kan göra det möjligt för patienter att optimera sin blodglukoskontroll och minska stigmatiseringen i samband med hypoglykemiska episoder; i en studie som fokuserade på patienters erfarenheter av glukosövervakning rapporterades dock att deltagarna, samtidigt som de uttryckte förtroende för notiserna, också deklarerade känslor av personligt misslyckande med att reglera glukosnivån (27).
2.4. Nefrologi
Artificiell intelligens har tillämpats i flera sammanhang inom klinisk nefrologi. Den har till exempel visat sig vara användbar för att förutsäga minskningen av den glomerulära filtrationshastigheten hos patienter med polycystisk njursjukdom (29) och för att fastställa risken för progressiv IgA-nefropati (30). I en nyligen publicerad översikt rapporteras dock hur forskningen för närvarande begränsas av den urvalsstorlek som krävs för att dra slutsatser (31).
2.5. Gastroenterologi
Specialiteten gastroenterologi drar nytta av ett brett spektrum av AI-tillämpningar i kliniska miljöer. Gastroenterologer har använt sig av konvolutionella neurala nätverk bland andra modeller för djupinlärning för att bearbeta bilder från endoskopi och ultraljud (32) och upptäcka onormala strukturer som kolonpolyper (33). Artificiella neurala nätverk har också använts för att diagnostisera gastroesofageal refluxsjukdom (34) och atrofisk gastrit (35) samt för att förutsäga utfallet av gastrointestinala blödningar (36), överlevnad av matstrupscancer (37), inflammatorisk tarmsjukdom (38) och metastasering av kolorektalcancer (39) och skivepitelcancer i matstrupen (40).
2.6. Neurologi
2.6.1. Epilepsi
Intelligenta anfallsdetektorer är lovande teknik som har potential att förbättra hanteringen av anfall genom permanent ambulerande övervakning. Empatica fick 2018 FDA-godkännande för sin bärbara Embrace, som i samband med elektrodermala fångare kan upptäcka generaliserade epilepsianfall och rapportera till en mobilapplikation som kan varna nära anhöriga och betrodd läkare med kompletterande information om patientens lokalisering (41). En rapport med fokus på patientupplevelser visade att i motsats till wearables för hjärtövervakning hade patienter som lider av epilepsi inga hinder för att införa anfallsdetekteringsutrustning och rapporterade ett stort intresse för användning av wearables (42).
2.6.2. Bedömning av gång, hållning och tremor
Bärbara sensorer har visat sig vara användbara för att kvantitativt bedöma gång, hållning och tremor hos patienter med multipel skleros, Parkinsons sjukdom, Parkinsonism och Huntingtons sjukdom (43).
2.7. Beräkningsbaserad diagnos av cancer i histopatologi
Paige.ai har fått genombrottsstatus av FDA för en AI-baserad algoritm som kan diagnostisera cancer i beräkningsbaserad histopatologi med stor noggrannhet, vilket gör att patologen kan få mer tid att fokusera på viktiga objektglas (44).
2.8. Medicinsk bildbehandling och validering av AI-baserad teknik
En efterlängtad metaanalys jämförde prestanda hos mjukvara för djupinlärning och radiologer inom området bildbaserad diagnostik (45): även om djupinlärning tycks vara lika effektiv som radiologer för diagnostik påpekade författarna att 99 % av studierna inte befanns ha en tillförlitlig utformning; dessutom validerade endast en tusendedel av de artiklar som granskades sina resultat genom att algoritmerna diagnostiserade medicinska bilder som kom från andra källpopulationer. Dessa resultat stöder behovet av en omfattande validering av AI-baserad teknik genom rigorösa kliniska prövningar (5).
Diskussion: Utmaningar och framtida inriktningar för artificiell intelligens inom medicin
3.1. Validering av AI-baserad teknik:
En av de viktigaste utmaningarna för tillämpningen av artificiell intelligens inom medicinen under de kommande åren kommer att vara den kliniska valideringen av de centrala begrepp och verktyg som nyligen utvecklats. Även om många studier redan har introducerat AI:s användbarhet med tydliga möjligheter baserade på lovande resultat, kommer flera välkända och ofta rapporterade begränsningar av AI-studier sannolikt att försvåra en sådan validering. Vi kommer härmed att ta upp tre av dessa begränsningar och ge möjliga sätt att övervinna dem.
För det första har majoriteten av studierna som jämför effektiviteten hos AI jämfört med kliniker visat sig ha en opålitlig utformning och är kända för att sakna primär replikering, dvs. validering av de algoritmer som utvecklats i prover som kommer från andra källor än den som används för att träna algoritmerna (45). Denna svårighet skulle kunna övervinnas i den öppna vetenskapens era eftersom öppna data och öppna metoder kommer att få mer och mer uppmärksamhet som bästa praxis inom forskningen. Övergången till öppen vetenskap kan dock visa sig vara svår för medicinska AI-företag som utvecklar mjukvara som kärnverksamhet.
För det andra är studier som rapporterar AI-tillämpning i klinisk praxis kända för att vara begränsade på grund av retrospektiva utformningar och urvalsstorlekar; sådana utformningar kan potentiellt inkludera selektions- och spektrumbias, dvs. modeller utvecklas för att passa optimalt till en viss datamängd (detta fenomen kallas också för överanpassning), men replikerar inte samma resultat i andra datamängder (32). Kontinuerlig omvärdering och kalibrering efter antagandet av algoritmer som misstänks vara överanpassade bör vara nödvändigt för att anpassa programvaran till fluktuationer i patienternas demografi (46). Dessutom finns det ett växande samförstånd om behovet av att utveckla algoritmer som är utformade för att passa större grupper samtidigt som hänsyn tas till undergrupper (47).
För det tredje finns det endast ett fåtal studier som jämför artificiell intelligens och kliniker baserat på samma datamängder; även i det scenariot har det framförts kritik som pekar på en lägre diagnostisk noggrannhet än vad som kan förväntas av läkare med specialistkompetens. (26). Att ställa AI och kliniker mot varandra är, även om det är väl representerat i den vetenskapliga litteraturen, förmodligen inte det bästa sättet att ta itu med frågan om prestanda inom medicinsk expertis: flera studier närmar sig nu samspelet mellan kliniker och algoritmer (47) eftersom kombinationen av mänsklig och artificiell intelligens överträffar endera av dem ensamt.
3.2. Etiska konsekvenser av fortlöpande övervakning
Medicinsk teknik är en av 2000-talets mest lovande marknader, med ett beräknat marknadsvärde som snabbt närmar sig tusen miljarder dollar år 2019. En ökande andel av intäkterna beror på detaljhandeln med medicintekniska produkter (t.ex. hjärtövervakningsutrustning) till en yngre befolkning, som inte är den primära målkonsumentprofilen (eftersom hälsoproblem som förmaksflimmer är mindre sannolika att dyka upp). På grund av detta fenomen håller sakernas internet (IoT) på att omdefiniera begreppet hälsosam individ som en kombination av det kvantifierade jaget (personliga indikatorer som kodas i smarttelefonen eller den bärbara enheten) och en rad livsstilsparametrar som tillhandahålls av den bärbara enheten (aktivitetsövervakning, viktkontroll etc.).
För övrigt har flera företag som tillverkar bärbara enheter under de senaste åren slutit viktiga avtal med antingen försäkringsbolag eller regeringar för att organisera en storskalig distribution av dessa produkter: denna typ av initiativ syftar främst till att framkalla livsstilsförändringar hos stora populationer. Medan västländerna fortsätter att utvecklas mot hälso- och sjukvårdssystem som är inriktade på patientens individuella ansvar för sin egen hälsa och sitt eget välbefinnande, diskuteras ofta de etiska konsekvenserna av fortlöpande medicinsk övervakning med medicinteknisk utrustning via sakernas internet. Till exempel har pågående övervakning och kränkningar av den personliga integriteten potential att öka stigmat kring kroniskt sjuka eller mer missgynnade medborgare (48) och eventuellt bestraffa de medborgare som är oförmögna att anta nya normer för en hälsosam livsstil, till exempel genom att minska tillgången till sjukförsäkring och vård; lite eller ingen debatt har fokuserats på dessa potentiella och avgörande fallgropar i utformningen av hälsopolitiken.
Inom detta teknikpolitiska ramverk blir frågan om dataskydd och ägande av data alltmer avgörande, även om den är mer än två decennier gammal (49). Flera olika attityder till ägande av data beskrivs i litteraturen: även om vissa arbeten argumenterar för ett gemensamt ägande av patientdata för att gynna metoder för individanpassad medicin (50, 51), så går konsensus mot ett ägande av patienten, eftersom det har positiva effekter på patientens engagemang och kan förbättra informationsutbytet om ett avtal om användning av data upprättas mellan patienten och hälso- och sjukvårdspersonalen (52).
3.3. Behovet av att utbilda förstärkta läkare
Flera universitet har börjat skapa nya läroplaner för medicin, bland annat en doktor-ingenjörsutbildning (18), för att svara på behovet av att utbilda framtida medicinska ledare för de utmaningar som artificiell intelligens inom medicin innebär (53). Sådana läroplaner ser en starkare inriktning på de hårda vetenskaperna (såsom fysik och matematik) och ett tillägg av beräkningsvetenskap, kodning, algoritmik och mekatronisk teknik. Dessa ”förstärkta läkare” skulle räkna med både klinisk erfarenhet och digital expertis för att lösa moderna hälsoproblem, delta i fastställandet av digitala strategier för hälso- och sjukvårdsinstitutioner, hantera den digitala övergången, utbilda patienter och kollegor.
Samhället såväl som hälso- och sjukvårdsinstitutioner skulle kunna dra nytta av dessa yrkesutövare som ett skyddsnät för alla processer som inkluderar AI inom medicinen, men också som en drivkraft för innovation och forskning. Förutom grundläggande medicinsk utbildning finns det ett behov av att genomföra fortlöpande utbildningsprogram om digital medicin och rikta sig till utexaminerade läkare för att möjliggöra omskolning inom detta växande område. På de flesta toppmoderna sjukhus runt om i världen har sådana experter fått uppdraget som Chief Medical Information Officer (CMIO)
3.4. Löftena om omgivande klinisk intelligens: Undvika avhumanisering genom teknik
Som rapporterats i flera studier (12, 13) kan elektroniska patientjournaler vara en viktig administrativ börda och en källa till utbrändhet, ett fenomen som blir alltmer närvarande hos läkare, både under utbildning och utbildade. Även om lösningar med artificiell intelligens, t.ex. behandling av naturligt språk, blir alltmer kapabla att hjälpa läkaren att leverera fullständiga journaler, behövs ytterligare lösningar för att lösa problemet med den ökande tid som avsätts för indirekt patientvård.
Ambient clinical intelligence (ACI) förstås som en känslig, anpassningsbar och lyhörd digital miljö som omger läkaren och patienten (54) och som t.ex. kan analysera intervjun och automatiskt fylla i patientens elektroniska patientjournal. Flera projekt pågår för att utveckla en ACI, vilket skulle vara en avgörande tillämpning av artificiell intelligens inom medicinen och välbehövlig för att lösa moderna problem med läkarkåren.
Ett av de stora hindren för att införa intelligent medicinsk teknik hos läkare är rädslan för en avhumanisering av medicinen. Detta beror främst på den ökande administrativa börda (12) som åläggs läkarna. Modern teknik som ACI och behandling av naturligt språk kommer dock garanterat att lösa problemet med den administrativa bördan och kommer att hjälpa kliniker att fokusera mer på patienten.
3.5. Kommer läkare att ersättas av artificiell intelligens?
Som nyligen diskuterats i litteraturen (15, 16) kommer läkare troligen inte att ersättas av artificiell intelligens: smart medicinsk teknik finns som sådan som stöd till läkaren för att förbättra patienthanteringen. Som nyligen genomförda studier har visat (45) förekommer dock ofta jämförelser mellan lösningar med artificiell intelligens och läkare, som om de två motsvarigheterna konkurrerade med varandra. Framtida studier bör fokusera på jämförelser mellan läkare som använder lösningar för artificiell intelligens och läkare som inte har tillgång till sådana tillämpningar, och utvidga dessa jämförelser till translationella kliniska prövningar; först då kommer artificiell intelligens att accepteras som ett komplement till läkarna. Hälso- och sjukvårdspersonal befinner sig i dag i en privilegierad position för att kunna välkomna den digitala utvecklingen och vara de främsta drivkrafterna bakom förändringen, även om det krävs en omfattande översyn av läkarutbildningen för att förse framtida ledare med den kompetens som krävs för detta.
Slutsats
Införandet av artificiell intelligens i den kliniska praktiken är ett lovande utvecklingsområde som utvecklas snabbt tillsammans med andra moderna områden som precisionsmedicin, genomik och telekonsultationer. Medan de vetenskapliga framstegen bör förbli rigorösa och transparenta när det gäller att utveckla nya lösningar för att förbättra den moderna hälso- och sjukvården, bör hälsopolitiken nu fokusera på att ta itu med de etiska och ekonomiska frågor som är förknippade med denna hörnsten i medicinens utveckling.
Författarbidrag
Alla författare som anges har gjort ett väsentligt, direkt och intellektuellt bidrag till arbetet, och godkänt det för publicering.
Intressekonflikt
Författarna förklarar att forskningen har utförts i avsaknad av kommersiella eller ekonomiska relationer som skulle kunna tolkas som en potentiell intressekonflikt.
1. Steinhubl SR, Muse ED, Topol EJ. Det framväxande området för mobil hälsa. 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. Artificiell intelligens inom biomedicinsk teknik och informatik: en introduktion och översikt. 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 doctor 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. En distribuerad ram för utbyte av hälsoinformation med hjälp av smartphone-teknik. 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. Ett decennium av digitala medicinska innovationer. 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. Navigering och robotik inom ryggradskirurgi: var står vi nu? Neurokirurgi. (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.0000000000003802
PubMed Abstract | CrossRef Full Text | Google Scholar
9. Mishkind MC, Norr AM, Katz AC, Reger GM. Översyn av behandling med virtuell verklighet inom psykiatrin: evidens i förhållande till nuvarande spridning och användning. 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. Effektiviteten av distraktion med virtuell verklighet för smärtlindring: en systematisk genomgång. 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” gemensam arbetsgrupp ”Technology-enhanced Teaching and Learning in Medicine (TeLL)” av German Association for Medical Informatics biometry and epidemiology (gmds) och German Informatics Society (GI). Digital undervisning och digital medicin: ett nationellt initiativ behövs. 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. Bedömning av tidsåtgång för patienter i slutenvården bland internmedicinska AT-läkare under första året med hjälp av observationer av tid och rörelse. 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. Läkares utbrändhet: bidragsgivare, konsekvenser och lösningar. J Int Med. (2018) 283:516-29. doi: 10.1111/joim.12752
PubMed Abstract | CrossRef Full Text | Google Scholar
14. Shah NR. Hälsovård år 2030: Kommer artificiell intelligens att ersätta läkare? Ann Int Med. (2019) 170:407-8. doi: 10.7326/M19-0344
PubMed Abstract | CrossRef Full Text | Google Scholar
15. Topol EJ. Högpresterande medicin: konvergensen mellan mänsklig och artificiell intelligens. 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 och artificiell intelligens. 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. Potentiellt ansvar för läkare som använder artificiell intelligens. 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) Tillgänglig online på: https://www.lespecialiste.be/fr/debats/nous-devons-former-des-medecins-laquo-nbsp-augmentes-raquo.html (tillgänglig den 26 oktober 2019).
Google Scholar
19. Halcox JPJ, Wareham K, Cardew A, Gilmore M, Barry JP, Phillips C, et al. Utvärdering av fjärrprovtagning av hjärtrytm med hjälp av AliveCor-hjärtmätaren för att screena för förmaksflimmer: REHEARSE-AF-studien. 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 prediktion av akut koronart syndrom via boosted resampling klassificering med hjälp av elektroniska patientjournaler. 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. Analys av maskininlärningstekniker för återinläggningar vid hjärtsvikt. 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. Tillämpningar av artificiell intelligens inom kardiologi. Framtiden är redan här. 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. Artificiell intelligens överträffar lungläkare i tolkningen av lungfunktionsundersökningar. Eur Respirat J. (2019) 53:1801660. doi: 10.1183/13993003.01660-2018.
PubMed Abstract | CrossRef Full Text | Google Scholar
26. Delclaux C. Ingen anledning för lungläkare att tolka lungfunktionsundersökningar. 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. Patienters och vårdgivares erfarenheter av att använda kontinuerlig glukosmätning för att stödja självförvaltning av diabetes: kvalitativ 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. Artificiell intelligens kan förutsäga GFR-nedgång under ADPKD-förloppet. 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. Ett artificiellt neuralt nätverk kan välja ut patienter med hög risk att utveckla progressiv IgA-nefropati mer exakt än erfarna nefrologer. Nephrol Dialysis, Transplant. (1998) 13:67-71.
PubMed Abstract | Google Scholar
31. Niel O, Bastard P. Artificiell intelligens inom nefrologi: centrala begrepp, kliniska tillämpningar och perspektiv. 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. Tillämpning av artificiell intelligens inom gastroenterologi. 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. Undersökning av den kliniska potentialen hos en automatisk metod för upptäckt av polyper i tjocktarmen som bygger på skapandet av energikartor. Endoskopi. (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. Artificiella neurala nätverk kan känna igen patienter med gastro-ösofageal refluxsjukdom enbart på grundval av kliniska 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. Möjligt bidrag från artificiella neurala nätverk och linjär diskriminantanalys vid igenkänning av patienter med misstänkt atrofisk gastrit. 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. Prediktion av överlevnad hos patienter med esofaguscancer med hjälp av artificiella neurala nätverk. 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. Artificiell intelligens kan hjälpa till att förutsäga behovet av ytterligare kirurgi efter endoskopisk resektion av T1 kolorektal cancer. Endoskopi. (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 predicts postoperative distant metastasis for patients with oesophageal squamous cell carcinoma. 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. Multimodala handledsburna anordningar för anfallsdetektion och främjande av forskning: fokus på Empatica-armbanden. 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. Teleneurologi och mobil teknik: framtiden för neurologisk vård. 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. Klinisk komputationell patologi av klinisk kvalitet med hjälp av svagt övervakad djupinlärning på bilder av hela objektglas. 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. Den ”obekväma sanningen” om artificiell intelligens inom hälso- och sjukvården. 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. Bevarande av konfidentialitet och säkerhet för patienternas hälso- och sjukvårdsinformation. 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. Argumentet för offentligt ägande av patientuppgifter. 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. Vägen till ägande av patientdata och bättre hälsa. JAMA. (2017) 318:1433-4. doi: 10.1001/jama.2017.12145
PubMed Abstract | CrossRef Full Text | Google Scholar
53. Brouillette M. AI added to the curriculum for doctors-to-be. 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. En undersökning om intelligens i omgivningen inom hälso- och sjukvården. Proc IEEE Inst Elect Electron Eng. (2013) 101:2470-94. doi: 10.1109/JPROC.2013.2262913
PubMed Abstract | CrossRef Full Text | Google Scholar
Lämna ett svar