Искусственный интеллект в здравоохранении - Artificial intelligence in healthcare

рентгеновский снимок руки, с автоматическим расчетом костный возраст с помощью компьютерного программного обеспечения

Искусственный интеллект в здравоохранении это всеобъемлющий термин, используемый для описания использования алгоритмов и программного обеспечения машинного обучения, или искусственный интеллект (AI), чтобы подражать человеческому познание в анализе, интерпретации и постижении сложных медицинских и здравоохранение данные. В частности, ИИ - это способность компьютерных алгоритмов делать приблизительные выводы, основываясь исключительно на входных данных.

Что отличает технологию искусственного интеллекта от традиционных технологий в здравоохранении, так это способность собирать данные, обрабатывать их и предоставлять конечному пользователю четко определенный результат. ИИ делает это через машинное обучение алгоритмы и глубокое обучение. Эти алгоритмы могут распознавать закономерности в поведении и создавать свою собственную логику. Чтобы получить полезные сведения и прогнозы, модели машинного обучения необходимо обучать с использованием большого количества входных данных. Алгоритмы ИИ ведут себя иначе, чем люди, по двум причинам: (1) алгоритмы буквальны: как только цель установлена, алгоритм учится исключительно на входных данных и может понять только то, для чего он был запрограммирован, (2) и некоторое глубокое обучение алгоритмы черные ящики; алгоритмы могут предсказывать с чрезвычайной точностью, но практически не предлагают понятного объяснения логики, лежащей в основе его решений, кроме данных и типа используемого алгоритма.[1]

Основная цель приложений искусственного интеллекта, связанных со здоровьем, - анализ взаимосвязи между методами профилактики или лечения и результатами лечения пациентов.[2] Программы AI применяются к таким практикам, как диагноз процессы, протокол лечения разработка, разработка лекарств, персонализированная медицина, и наблюдение за пациентом и забота. Алгоритмы искусственного интеллекта также могут использоваться для анализа больших объемов данных с помощью электронных медицинских записей для профилактики и диагностики заболеваний. Медицинские учреждения, такие как Клиника Мэйо, Мемориальный онкологический центр им. Слоана Кеттеринга,[3][4] и британский Национальный центр здоровья,[5] разработали алгоритмы ИИ для своих отделов. Крупные технологические компании, такие как IBM[6] и Google,[5] также разработали алгоритмы искусственного интеллекта для здравоохранения. Кроме того, больницы ищут программное обеспечение AI для поддержки операционных инициатив, которые увеличивают экономию затрат, повышают удовлетворенность пациентов и удовлетворяют их кадровые и кадровые потребности.[7] В настоящее время правительство США инвестирует миллиарды долларов в развитие искусственного интеллекта в здравоохранении.[1] Компании разрабатывают технологии, которые помогают менеджеры здравоохранения улучшить бизнес-операции за счет увеличения использования, сокращения количества пациентов, находящихся на лечении, сокращения продолжительности пребывания и оптимизация штатное расписание.[8]

Поскольку широкое использование ИИ в здравоохранении является относительно новым явлением, существует несколько беспрецедентных этических проблем, связанных с его практикой, таких как конфиденциальность данных, автоматизация рабочих мест и предвзятость представления.

История

Исследования 1960-х и 1970-х годов дали первую программу решения проблем, или экспертная система, известный как Дендраль.[9] Хотя он был разработан для приложений в органической химии, он стал основой для последующей системы МИЦИН,[10] считается одним из самых значительных первых применений искусственного интеллекта в медицине.[10][11] Однако MYCIN и другие системы, такие как INTERNIST-1 и CASNET, не получили широкого распространения среди практиков.[12]

1980-е и 1990-е годы принесли распространение микрокомпьютеров и новый уровень сетевых подключений. За это время исследователи и разработчики признали, что системы искусственного интеллекта в здравоохранении должны быть спроектированы с учетом отсутствия точных данных и опираться на опыт врачей.[13] Подходы с участием нечеткое множество теория[14] Байесовские сети,[15] и искусственные нейронные сети,[16][17] были применены к интеллектуальным вычислительным системам в здравоохранении.

Медицинские и технологические достижения, произошедшие за этот полувековой период, позволили расширить применение искусственного интеллекта в здравоохранении, включая:

Текущее исследование

Различные медицинские специальности показали рост исследований в области ИИ. Поскольку новый коронавирус разрушает весь мир, Соединенные Штаты, по оценкам, вложат более 2 миллиардов долларов в исследования в области здравоохранения, связанные с ИИ, в течение следующих 5 лет, что более чем в 4 раза превышает сумму, потраченную в 2019 году (463 миллиона долларов). [24]

Радиология

ИИ изучается в области радиологии для выявления и диагностики заболеваний у пациентов с помощью компьютерной томографии (КТ) и Магнитный резонанс (MR) Визуализация.[25] По данным Общества радиологов Северной Америки, в последние годы внимание к искусственному интеллекту в радиологии резко возросло, и в 2015-2018 годах их количество увеличилось с 0 до 3, 17 и в целом 10% от общего числа публикаций.[25] Исследование в Стэнфорд создали алгоритм, который может обнаруживать пневмонию у пациентов с лучшим средним показателем F1 (статистический показатель, основанный на точности и запоминании), чем рентгенологи, участвовавшие в исследовании. Благодаря визуализации в онкологии ИИ смог хорошо служить для обнаружения отклонений и отслеживания изменений с течением времени; два ключевых фактора онкологического здоровья.[26] Многие компании и независимые от поставщиков системы, такие как icometrix, QUIBIM, Robovision и UMC Utrecht's IMAGRT, стали доступны для предоставления обучаемой платформы машинного обучения для выявления широкого спектра заболеваний. В Радиологическое общество Северной Америки провела презентации по ИИ в визуализации во время своей ежегодной конференции.[25] Многие профессионалы с оптимизмом смотрят на будущее обработки искусственного интеллекта в радиологии, так как это сократит необходимое время взаимодействия и позволит врачам видеть больше пациентов.[26] Хотя не всегда так хорошо, как натренированный глаз, в расшифровке вредоносных или доброкачественных образований, история медицинской визуализации показывает тенденцию к быстрому развитию как возможностей, так и надежности новых систем.[26] Появление технологии искусственного интеллекта в радиологии воспринимается некоторыми специалистами как угроза, поскольку она может улучшиться с помощью определенных статистических показателей в отдельных случаях, когда специалисты не могут.

Скрининг

Недавние достижения предложили использовать ИИ для описания и оценки результатов челюстно-лицевая хирургия или оценка волчья пасть терапия в отношении привлекательности лица или возрастной внешности.[27][28]

В 2018 году в журнале опубликована статья Анналы онкологии упомянул, что рак кожи может быть обнаружен более точно с помощью системы искусственного интеллекта (в которой используется сверточная нейронная сеть с глубоким обучением), чем с помощью дерматологи. В среднем дерматологи точно выявляли 86,6% рака кожи по изображениям, по сравнению с 95% для машины CNN.[29]

В январе 2020 года исследователи демонстрируют систему ИИ, основанную на Google DeepMind алгоритм, который способен превзойти людей-экспертов в рак молочной железы обнаружение.[30][31]

В июле 2020 года сообщалось, что алгоритм искусственного интеллекта Питтсбургского университета достигает наивысшей точности на сегодняшний день в идентификация рак простаты, с чувствительностью 98% и специфичностью 97%.[32][33]

Психиатрия

В психиатрии приложения ИИ все еще находятся на стадии апробации концепции.[34] Области, в которых количество доказательств быстро увеличивается, включают чат-ботов, переговорных агентов, которые имитируют поведение человека и которые были изучены на предмет тревожности и депрессии.[35]

Проблемы включают тот факт, что многие приложения в этой области разрабатываются и предлагаются частными корпорациями, например, скрининг на суицидальные мысли, реализованный Facebook в 2017 году.[36] Такие приложения вне системы здравоохранения вызывают различные профессиональные, этические и нормативные вопросы.[37]

Первая помощь

Первичная медицинская помощь стала одной из ключевых областей развития технологий искусственного интеллекта.[38][39] Искусственный интеллект в первичной медико-санитарной помощи используется для поддержки принятия решений, прогнозного моделирования и бизнес-аналитики.[40] Несмотря на быстрое развитие технологий искусственного интеллекта, взгляды врачей общей практики на роль искусственного интеллекта в первичной медико-санитарной помощи очень ограничены и в основном сосредоточены на административных задачах и рутинных задачах документирования.[41][42]

Диагностика заболеваний

Статья Цзян и др. (2017) продемонстрировали, что существует несколько типов методов искусственного интеллекта, которые используются для лечения множества различных заболеваний, таких как вспомогательные векторные машины, нейронные сети и деревья решений. Каждый из этих методов описывается как имеющий «тренировочную цель», поэтому «классификации в максимальной степени соответствуют результатам…».

Чтобы продемонстрировать некоторые особенности диагностики / классификации заболеваний, при классификации этих заболеваний используются два различных метода, включая использование «искусственных нейронных сетей (ИНС) и байесовских сетей (BN)». Было обнаружено, что ИНС лучше и может более точно классифицировать диабет и сердечно-сосудистые заболевания.

Благодаря использованию медицинских обучающих классификаторов (MLC), искусственный интеллект смог существенно помочь врачам в диагностике пациентов, манипулируя массой Электронные медицинские записи (EHR).[43] Медицинские условия стали более сложными, и с учетом обширной истории создания электронных медицинских карт вероятность дублирования случаев высока.[43] Несмотря на то, что сегодня человек с редким заболеванием с меньшей вероятностью будет единственным человеком, который страдал от какого-либо заболевания, невозможность получить доступ к случаям с аналогичным симптоматическим происхождением является серьезным препятствием для врачей.[43] Внедрение искусственного интеллекта, которое не только помогает найти похожие случаи и методы лечения, но также учитывает основные симптомы и помогает врачам задавать наиболее подходящие вопросы, помогает пациенту получить наиболее точный диагноз и лечение.[43]

Телемедицина

Пожилой мужчина измеряет уровень кислорода в крови с помощью пульсоксиметра

Увеличение телемедицина, дистанционное лечение пациентов, продемонстрировало рост возможных приложений искусственного интеллекта.[44] ИИ может помочь в уходе за пациентами удаленно, отслеживая их информацию с помощью датчиков.[45] Носимое устройство может обеспечивать постоянное наблюдение за пациентом и способность замечать изменения, которые могут быть менее различимы людьми. Эту информацию можно сравнить с другими данными, которые уже были собраны с использованием алгоритмов искусственного интеллекта, которые предупреждают врачей, если есть какие-либо проблемы, о которых следует знать.[45]

Еще одно применение искусственного интеллекта - терапия чат-ботами. Некоторые исследователи утверждают, что использование чат-ботов для оказания психиатрической помощи не обеспечивает взаимности и подотчетности в оказании помощи, которые должны существовать в отношениях между потребителем психиатрической помощи и поставщиком медицинских услуг (будь то чат-бот или психолог), хотя .[46]

Поскольку средний возраст вырос из-за более продолжительной продолжительности жизни, искусственный интеллект может быть полезен для помощи пожилым людям.[47] Такие инструменты, как датчики окружающей среды и персональные датчики, могут идентифицировать регулярную деятельность человека и предупреждать ухаживающего, если поведение или измеряемый жизненный цикл ненормальны.[47] Несмотря на то, что эта технология полезна, также ведутся дискуссии об ограничениях мониторинга с целью соблюдения конфиденциальности человека, поскольку существуют технологии, предназначенные для составления схемы расположения домов и обнаружения человеческих взаимодействий.[47]

Электронные медицинские карты

Электронные медицинские карты (EHR) имеют решающее значение для цифровизации и распространения информации в отрасли здравоохранения. Теперь, когда около 80% медицинских практик используют EHR, следующим шагом будет использование искусственного интеллекта для интерпретации записей и предоставления новой информации врачам.[48] Одно приложение использует обработку естественного языка (NLP), чтобы составлять более сжатые отчеты, которые ограничивают различия между медицинскими терминами путем сопоставления схожих медицинских терминов.[48] Например, термин сердечный приступ и инфаркт миокарда означают то же самое, но врачи могут использовать один из них, исходя из личных предпочтений.[48] Алгоритмы НЛП объединяют эти различия, чтобы можно было анализировать большие наборы данных.[48] Еще одно применение НЛП определяет фразы, которые являются избыточными из-за повторения в записях врача, и сохраняет релевантную информацию, чтобы ее было легче читать.[48]

Помимо редактирования содержимого EHR, существуют алгоритмы искусственного интеллекта, которые оценивают историю болезни отдельного пациента и прогнозируют риск заболевания на основе его предыдущей информации и семейного анамнеза.[49] Один общий алгоритм - это система, основанная на правилах, которая принимает решения аналогично тому, как люди используют блок-схемы.[50] Эта система принимает большие объемы данных и создает набор правил, которые связывают конкретные наблюдения с заключенными диагнозами.[50] Таким образом, алгоритм может принять данные нового пациента и попытаться предсказать вероятность того, что у него будет определенное состояние или заболевание.[50] Поскольку алгоритмы могут оценивать информацию о пациенте на основе коллективных данных, они могут найти любые нерешенные проблемы, чтобы привлечь внимание врача и сэкономить время.[49] Одно исследование, проведенное исследовательским институтом Centerstone, показало, что прогнозирующее моделирование данных EHR достигло точности 70–72% в прогнозировании индивидуального ответа на лечение.[51] Эти методы полезны тем, что количество медицинских карт в Интернете удваивается каждые пять лет.[49] У врачей нет пропускной способности для обработки всех этих данных вручную, и ИИ может использовать эти данные, чтобы помочь врачам в лечении своих пациентов.[49]

Лекарственное взаимодействие

Улучшения в обработка естественного языка привела к разработке алгоритмов выявления лекарственные взаимодействия в медицинской литературе.[52][53][54][55] Лекарственные взаимодействия представляют собой угрозу для тех, кто принимает несколько лекарств одновременно, и опасность возрастает с увеличением количества принимаемых лекарств.[56] Чтобы решить проблему отслеживания всех известных или предполагаемых взаимодействий между лекарственными средствами, были созданы алгоритмы машинного обучения для извлечения информации о взаимодействующих лекарствах и их возможных эффектах из медицинской литературы. В 2013 году усилия были объединены в DDIExtraction Challenge, в котором команда исследователей из Университет Карлоса III собрал корпус литературы по лекарственным взаимодействиям, чтобы сформировать стандартизированный тест для таких алгоритмов.[57] Конкуренты были протестированы на их способность точно определять по тексту, какие наркотики взаимодействуют друг с другом и каковы характеристики их взаимодействия.[58] Исследователи продолжают использовать этот корпус для стандартизации измерения эффективности своих алгоритмов.[52][53][55]

Другие алгоритмы идентифицируют взаимодействие лекарств с лекарственными средствами по шаблонам в пользовательском контенте, особенно в электронных медицинских записях и / или отчетах о побочных эффектах.[53][54] Такие организации, как Система сообщений о нежелательных явлениях FDA (FAERS) и Всемирной организации здравоохранения VigiBase разрешить врачам подавать отчеты о возможных негативных реакциях на лекарства. Алгоритмы глубокого обучения были разработаны для анализа этих отчетов и выявления закономерностей, предполагающих взаимодействие лекарств.[59]

Создание новых лекарств

DSP-1181, молекула препарата для лечения ОКР (обсессивно-компульсивного расстройства), была изобретена искусственным интеллектом совместными усилиями Exscientia (британский стартап) и Sumitomo Dainippon Pharma (Японская фармацевтическая фирма). На разработку препарата ушел один год, в то время как фармацевтические компании обычно тратят на аналогичные проекты около пяти лет. DSP-1181 был принят для испытания на людях.[60]

В сентябре 2019 г. Insilico Medicine сообщает о создании с помощью искусственного интеллекта шести новых ингибиторов DDR1 ген, мишень киназы, участвующая в фиброз и другие болезни. Система, известная как Generative Tensorial Reinforcement Learning (GENTRL), разработала новые соединения за 21 день, при этом ведущий кандидат был протестирован и показал положительные результаты на мышах.[61][62][63]

В том же месяце канадская компания Deep Genomics объявляет, что ее платформа для поиска лекарств на основе искусственного интеллекта определила цель и кандидат в лекарственные средства для Болезнь Вильсона. Кандидат, DG12P1, предназначен для исправления экзон -пропускающий эффект Met645Arg, генетической мутации, влияющей на медь-связывающий белок ATP7B.[64]

Промышленность

Тенденция слияния крупных медицинских компаний обеспечивает большую доступность медицинских данных. Более подробные данные о состоянии здоровья закладывают основу для реализации алгоритмов искусственного интеллекта.

Внедрение ИИ в секторе здравоохранения в значительной степени сосредоточено на системы поддержки принятия клинических решений. По мере сбора большего количества данных алгоритмы машинного обучения адаптируются и позволяют принимать более надежные ответы и решения.[65] Многочисленные компании изучают возможности включения большое количество данных в сфере здравоохранения. Многие компании исследуют рыночные возможности с помощью «технологий оценки, хранения, управления и анализа данных», которые являются ключевыми частями отрасли здравоохранения.[66]

Ниже приведены примеры крупных компаний, которые внесли свой вклад в алгоритмы искусственного интеллекта для использования в здравоохранении:

  • IBM Watson Онкология находится в стадии разработки Мемориальный онкологический центр им. Слоана Кеттеринга и Кливлендская клиника. IBM также работает с CVS Health по применению искусственного интеллекта в лечении хронических заболеваний и Джонсон и Джонсон по анализу научных работ, чтобы найти новые связи для разработки лекарств. В мае 2017 г. IBM и Политехнический институт Ренсселера начал совместный проект под названием Health Empowerment by Analytics, Learning and Semantics (HEALS), чтобы изучить возможности использования технологий искусственного интеллекта для улучшения здравоохранения.
  • Microsoft Ганноверский проект в партнерстве с Орегонский университет здоровья и науки Knight Cancer Institute анализирует медицинские исследования, чтобы предсказать наиболее эффективные рак варианты медикаментозного лечения пациентов. Другие проекты включают анализ медицинских изображений прогрессирования опухоли и разработку программируемых клеток.
  • Google с DeepMind платформа используется Великобританией Национальный центр здоровья для выявления определенных рисков для здоровья с помощью данных, собранных через мобильное приложение. Второй проект с NHS включает анализ медицинских изображений, полученных от пациентов NHS, с целью разработки алгоритмов компьютерного зрения для обнаружения раковых тканей.
  • Tencent работает над несколькими медицинскими системами и услугами. К ним относятся AI Medical Innovation System (AIMIS), служба диагностической медицинской визуализации на базе искусственного интеллекта; WeChat Intelligent Healthcare; и Tencent Doctorwork
  • Подразделение венчурного капитала Intel Intel Capital недавно инвестировал в стартап Lumiata, который использует искусственный интеллект для выявления пациентов из группы риска и разработки вариантов лечения.
  • Kheiron Medical разработала программное обеспечение глубокого обучения для обнаружения рак груди в маммограммы.
  • Фрактальная аналитика инкубировал Qure.ai, который фокусируется на использовании глубокого обучения и искусственного интеллекта для улучшения радиологии и ускорения анализа диагностических рентгеновских лучей.
  • Илон Маск представляет хирургического робота, который имплантирует мозговой чип Neuralink
    Neuralink придумал следующее поколение нейропротез который замысловато взаимодействует с тысячами нервных путей в головном мозге.[65] Их процесс позволяет точному хирургическому роботу вставлять чип размером примерно с четверть вместо куска черепа, чтобы избежать случайной травмы.[65]

Приложения для цифровых консультантов, такие как Лечащий врач Babylon Health под рукой, Ада Здоровье, AliHealth Доктор ты, KareXpert и Your.MD использовать ИИ, чтобы давать медицинские консультации на основе личной истории болезни и общих медицинских знаний. Пользователи сообщают о своих симптомах в приложение, которое использует распознавание речи для сравнения с базой данных болезней. Затем Вавилон предлагает рекомендованное действие с учетом истории болезни пользователя. Предприниматели в сфере здравоохранения эффективно использовали семь архетипов бизнес-моделей для внедрения решений на основе искусственного интеллекта [модное слово] на рынок. Эти архетипы зависят от ценности, созданной для целевого пользователя (например, ориентация на пациента по сравнению с поставщиком медицинских услуг и ориентации на плательщика) и механизмов сбора ценности (например, предоставление информации или соединение заинтересованных сторон).

IFlytek запустила сервисного робота Xiao Man, который интегрировал технологию искусственного интеллекта для идентификации зарегистрированного клиента и предоставления персонализированных рекомендаций в области медицины. Он также работает в области медицинской визуализации. Подобные роботы также производятся такими компаниями, как UBTECH («Крузр») и Softbank Робототехника («Перец»).

Индийский стартап Haptik недавно разработал WhatsApp чат-бот, который отвечает на вопросы, связанные со смертельным коронавирус в Индия.

Рынок ИИ постоянно расширяется, и крупные технологические компании, такие как Apple, Google, Amazon и Baidu, имеют собственные исследовательские подразделения в области ИИ, а также выделяют миллионы долларов на приобретение более мелких компаний, основанных на ИИ.[66] Многие производители автомобилей также начинают использовать машинное обучение для здравоохранения в своих автомобилях.[66] Такие компании как BMW, GE, Тесла, Toyota, и Вольво у всех есть новые исследовательские кампании по поиску способов изучения статистики естественного движения населения, чтобы убедиться, что они бодрствуют, обращают внимание на дорогу, а не находятся под воздействием веществ или находятся в эмоциональном стрессе.[66]

Подразумеваемое

Прогнозируется, что использование ИИ снизит медицинские расходы, поскольку будет более точный диагноз и более точные прогнозы в плане лечения, а также большая профилактика заболеваний.

Другие варианты использования ИИ в будущем включают интерфейсы мозг-компьютер (BCI), которые, по прогнозам, помогут людям с проблемами движения, речи или с травмой спинного мозга. BCI будут использовать ИИ, чтобы помочь этим пациентам двигаться и общаться, расшифровывая нейронные активации.[67]

Искусственный интеллект привел к значительным улучшениям в таких областях здравоохранения, как визуализация, автоматизированное принятие клинических решений, диагностика, прогноз и многое другое. Хотя ИИ обладает способностью произвести революцию в нескольких областях медицины, он все еще имеет ограничения и не может заменить прикроватного врача.[68]

Здравоохранение - сложная наука, связанная с юридическими, этическими, нормативными, экономическими и социальными ограничениями. Чтобы полностью внедрить ИИ в здравоохранении, должны произойти «параллельные изменения в глобальной среде с участием множества заинтересованных сторон, включая граждан и общество».[69]

Забота о развивающихся странах

Искусственный интеллект продолжает расширять свои возможности для точной диагностики большего числа людей в странах, где меньше врачей доступны для общественности. Многие новые технологические компании, такие как Spacex и Фонд Raspberry Pi предоставили большему количеству развивающихся стран доступ к компьютерам и Интернету, чем когда-либо прежде.[70] С расширением возможностей искусственного интеллекта в Интернете передовые алгоритмы машинного обучения могут позволить пациентам ставить точный диагноз, когда у них раньше не было возможности узнать, есть ли у них опасное для жизни заболевание или нет.[70]

Использование ИИ в развивающихся странах, у которых нет ресурсов, снизит потребность в аутсорсинге и может улучшить уход за пациентами. ИИ может позволить не только диагностировать пациентов в областях, где не хватает медицинских услуг, но и обеспечить хорошее обслуживание пациентов за счет ресурсов, чтобы найти лучшее лечение для пациента.[71] Способность ИИ корректировать курс по мере его продвижения также позволяет пациенту изменять свое лечение в зависимости от того, что ему подходит; уровень индивидуального ухода, который практически отсутствует в развивающихся странах.[71]

Регулирование

Хотя исследование использования ИИ в здравоохранении направлено на подтверждение его эффективности в улучшении результатов лечения пациентов до его более широкого распространения, его использование, тем не менее, может создать несколько новых типов риска для пациентов и поставщиков медицинских услуг, например: алгоритмический уклон, Не реанимировать последствия и другие машинная мораль вопросы. Эти проблемы клинического использования искусственного интеллекта вызвали потенциальную необходимость в регулировании.

Мужчина выступает на семинаре по соблюдению GDPR на Саммите предпринимательства 2019 года.

В настоящее время существуют правила, касающиеся сбора данных о пациентах. Сюда входят такие политики, как Закон о переносимости и подотчетности медицинского страхования (HIPPA ) и Европейских общих правил защиты данных (GDPR ).[72] GDPR относится к пациентам в ЕС и подробно описывает требования согласия на использование данных пациентов, когда организации собирают данные о здоровье пациентов. Аналогичным образом HIPPA защищает медицинские данные из историй болезни пациентов в США.[72] В мае 2016 г. белый дом объявил о своем плане проведения серии семинаров и формирования Национальный совет по науке и технологиям (NSTC) Подкомитет по машинному обучению и искусственному интеллекту. В октябре 2016 года группа опубликовала Национальный стратегический план исследований и разработок в области искусственного интеллекта, в котором излагаются предлагаемые приоритеты для исследований и разработок в области ИИ, финансируемых из федерального бюджета (в рамках правительства и научных кругов). В отчете отмечается стратегический план НИОКР для подполя информационные технологии здравоохранения находится в стадии разработки.

Единственное агентство, выразившее озабоченность, - это FDA. Бакул Патель, заместитель директора центра цифрового здравоохранения FDA, цитирует слова в мае 2017 года:

«Мы пытаемся привлечь людей с практическим опытом разработки к полному жизненному циклу продукта. У нас уже есть ученые, которые разбираются в искусственном интеллекте и машинном обучении, но нам нужны дополнительные люди, которые могут смотреть вперед и видеть, как эта технология будет развиваться ».

Сустав Оперативная группа МСЭ-ВОЗ по искусственному интеллекту для здравоохранения (FG-AI4H) создал платформу для тестирования и тестирования приложений ИИ в области здравоохранения. По состоянию на ноябрь 2018 года проводится сравнительный анализ восьми вариантов использования, включая оценку риска рака груди по гистопатологическим изображениям, выбор противоядия по изображениям змей и диагностику кожных повреждений.

Этические проблемы

Сбор информации

Чтобы эффективно обучать машинному обучению и использовать ИИ в здравоохранении, необходимо собрать огромные объемы данных. Однако получение этих данных в большинстве случаев связано с сохранением конфиденциальности пациентов и не приветствуется публично. Например, опрос, проведенный в Великобритании, показал, что 63% населения не хотят делиться своими личными данными с целью совершенствования технологий искусственного интеллекта.[72] Недостаток реальных и доступных данных о пациентах является препятствием, сдерживающим прогресс в разработке и внедрении искусственного интеллекта в здравоохранении.

Автоматизация

Согласно недавнему исследованию, ИИ может заменить до 35% рабочих мест в Великобритании в течение следующих 10-20 лет.[73] Тем не менее, из этих рабочих мест был сделан вывод, что ИИ пока не устранил ни одной работы в сфере здравоохранения. Хотя, если бы ИИ автоматизировал работу, связанную со здравоохранением, наиболее подверженными автоматизации были бы рабочие места, связанные с цифровой информацией, радиологией и патологией, в отличие от тех, которые связаны с взаимодействием врача с пациентом.[73]

Автоматизация может принести пользу и врачам. Ожидается, что врачи, использующие ИИ в здравоохранении, будут предоставлять более качественное медицинское обслуживание, чем врачи и медицинские учреждения, которые этого не делают.[74] ИИ, скорее всего, не заменит полностью медицинских работников, а скорее даст им больше времени для ухода за пациентами. ИИ может предотвратить выгорание медицинских работников и когнитивные перегрузки

В конечном итоге ИИ будет способствовать достижению социальных целей, которые включают улучшение коммуникации, улучшение качества здравоохранения и автономию.[75]

Предвзятость

Поскольку ИИ принимает решения исключительно на основе данных, которые он получает в качестве входных данных, важно, чтобы эти данные отражали точные демографические данные пациента. В условиях больницы пациенты не имеют полного представления о том, как создаются или калибруются алгоритмы прогнозирования. Следовательно, эти медицинские учреждения могут несправедливо кодировать свои алгоритмы, чтобы дискриминировать меньшинства и отдавать приоритет прибыли, а не обеспечивать оптимальную помощь.[76]

В этих алгоритмах также может быть непреднамеренная предвзятость, которая может усугубить социальное неравенство и неравенство в сфере здравоохранения.[76] Поскольку решения AI являются прямым отражением его входных данных, данные, которые он получает, должны точно отражать демографические данные пациента. Белые мужчины чрезмерно представлены в наборах медицинских данных.[77] Следовательно, наличие минимальных данных о пациентах из числа меньшинств может привести к тому, что ИИ будет делать более точные прогнозы для большинства популяций, что приведет к непреднамеренным худшим медицинским результатам для меньшинств.[78] Сбор данных от сообществ меньшинств также может привести к медицинской дискриминации. Например, ВИЧ - распространенный вирус среди меньшинств, и ВИЧ-статус может использоваться для дискриминации пациентов.[77] Однако эти предубеждения можно устранить путем тщательной реализации и методичного сбора репрезентативных данных.

Смотрите также

Рекомендации

  1. ^ а б Лука М., Кляйнберг Дж., Муллайнатан С. (январь – февраль 2016 г.). «Алгоритмам тоже нужны менеджеры». Harvard Business Review. Получено 2018-10-08.
  2. ^ Coiera E (1997). Справочник по медицинской информатике, Интернету и телемедицине. Chapman & Hall, Ltd.
  3. ^ Power B (19 марта 2015 г.). «Искусственный интеллект почти готов для бизнеса». Массачусетская больница общего профиля.
  4. ^ Bahl M, Barzilay R, Yedidia AB, Locascio NJ, Yu L, Lehman CD (март 2018 г.). «Поражения груди с высоким риском: модель машинного обучения для прогнозирования патологического обновления и уменьшения количества ненужных хирургических вмешательств». Радиология. 286 (3): 810–818. Дои:10.1148 / радиол.2017170549. PMID  29039725.
  5. ^ а б Bloch-Budzier S (22 ноября 2016 г.). "NHS использует технологию Google для лечения пациентов".
  6. ^ Лоренцетти Л. (5 апреля 2016 г.). «Вот как IBM Watson Health трансформирует отрасль здравоохранения». Удача.
  7. ^ Кент Дж (2018-08-08). «Провайдеры используют прогнозную аналитику для получения клинических и финансовых преимуществ». ЗдоровьеITAnalytics. Получено 2019-01-16.
  8. ^ Ли К. (4 января 2016 г.). «Прогнозная аналитика в здравоохранении помогает улучшить использование операционных». ПоискЗдоровьеIT. Получено 2019-01-16.
  9. ^ Линдси Р.К., Бьюкенен Б.Г., Фейгенбаум Е.А., Ледерберг Дж. (1993). «DENDRAL: на примере первой экспертной системы формирования научных гипотез». Искусственный интеллект. 61 (2): 209–261. Дои:10.1016 / 0004-3702 (93) 90068-м. HDL:2027.42/30758.
  10. ^ а б Кланси WJ, Shortliffe EH (1984). Хрестоматия по медицинскому искусственному интеллекту: первое десятилетие. Addison-Wesley Longman Publishing Co., Inc.
  11. ^ Брюс Дж., Бьюкенен Б. Г., Шортлифф ЭД (1984). Экспертные системы на основе правил: эксперименты MYCIN Стэнфордского проекта эвристического программирования.
  12. ^ Дуда Р.О., Шортлифф Э.Х. (апрель 1983 г.). «Исследование экспертных систем». Наука. 220 (4594): 261–8. Bibcode:1983Научный ... 220..261D. Дои:10.1126 / science.6340198. PMID  6340198.
  13. ^ Миллер Р.А. (1994). «Системы поддержки принятия решений в области медицинской диагностики - прошлое, настоящее и будущее: разделенная библиография и краткий комментарий». Журнал Американской ассоциации медицинской информатики. 1 (1): 8–27. Дои:10.1136 / jamia.1994.95236141. ЧВК  116181. PMID  7719792.
  14. ^ Адлассниг КП (июль 1980 г.). «Нечеткая логическая модель компьютерной медицинской диагностики» (PDF). Методы информации в медицине. 19 (3): 141–8. Дои:10.1055 / с-0038-1636674. PMID  6997678.
  15. ^ Реджиа Дж. А., Пэн Ю. (сентябрь 1987 г.). «Моделирование диагностических рассуждений: краткое изложение теории экономного покрытия». Компьютерные методы и программы в биомедицине. 25 (2): 125–34. Дои:10.1016/0169-2607(87)90048-4. ЧВК  2244953. PMID  3315427.
  16. ^ Baxt WG (декабрь 1991 г.). «Использование искусственной нейронной сети для диагностики инфаркта миокарда». Анналы внутренней медицины. 115 (11): 843–8. Дои:10.7326/0003-4819-115-11-843. PMID  1952470.
  17. ^ Маклин П.С., Демпси Дж., Брукс Дж., Рэнд Дж. (Февраль 1991 г.). «Использование нейронных сетей для диагностики рака». Журнал медицинских систем. 15 (1): 11–9. Дои:10.1007 / bf00993877. PMID  1748845. S2CID  10189561.
  18. ^ Куми Дж., Берард С., Санчес М., Вонг Х. (март 2010 г.). «Последствия исторических тенденций в области электрической эффективности вычислений». IEEE Annals of the History of Computing. 33 (3): 46–54. CiteSeerX  10.1.1.323.9505. Дои:10.1109 / MAHC.2010.28. S2CID  8305701.
  19. ^ Барнс Б., Дюпре Дж. (2009). Геномы и что с ними делать. Издательство Чикагского университета.[страница нужна ]
  20. ^ Jha AK, DesRoches CM, Campbell EG, Donelan K, Rao SR, Ferris TG и др. (Апрель 2009 г.). «Использование электронных медицинских карт в больницах США». Медицинский журнал Новой Англии. 360 (16): 1628–38. Дои:10.1056 / NEJMsa0900592. PMID  19321858. S2CID  19914056.
  21. ^ Банко М., Брилл Э (июль 2001 г.). «Масштабирование до очень больших корпусов для устранения неоднозначности естественного языка]» (PDF). Материалы 39-го ежегодного собрания Ассоциации компьютерной лингвистики. Ассоциация компьютерной лингвистики: 26–33.
  22. ^ Догерти Дж. (2009). Цифровая обработка изображений для медицинских приложений. Издательство Кембриджского университета.
  23. ^ «Искусственный интеллект и машинное обучение для здравоохранения». Сигмоидальный. 21 декабря 2017.
  24. ^ «Влияние пандемии COVID-19: глобальные расходы на исследования и разработки в области искусственного интеллекта в здравоохранении и фармацевтике увеличатся к 2025 году на 1,5 миллиарда долларов США». Медицинское письмо от CDC и FDA. 3 мая 2020 г. - через Gale Academic OneFile.
  25. ^ а б c Писарчик А.Н., Максименко В.А., Храмов А.Е. (октябрь 2019). «От новых технологий к новым приложениям: комментарий к« Интегрированной платформе интерфейса мозг-машина с тысячами каналов »Илона Маска и Neuralink». Журнал медицинских интернет-исследований. 21 (10): e16356. Дои:10.2196/16356. ЧВК  6914250. PMID  31674923. S2CID  207818415.
  26. ^ а б c Хосни А., Пармар С., Квакенбуш Дж., Шварц Л. Х., Аэртс Г. Дж. (Август 2018 г.). «Искусственный интеллект в радиологии». Обзоры природы. Рак. 18 (8): 500–510. Дои:10.1038 / s41568-018-0016-5. ЧВК  6268174. PMID  29777175.
  27. ^ Паткас Р., Бернини Д.А., Волокитин А., Агустссон Е., Роте Р., Тимофте Р. (январь 2019 г.). «Применение искусственного интеллекта для оценки влияния ортогнатического лечения на привлекательность лица и предполагаемый возраст». Международный журнал оральной и челюстно-лицевой хирургии. 48 (1): 77–83. Дои:10.1016 / j.ijom.2018.07.010. PMID  30087062.
  28. ^ Паткас Р., Тимофте Р., Волокитин А., Агустссон Е., Элиадес Т., Эйхенбергер М., Борнштейн М.М. (август 2019 г.). «Внешняя привлекательность пациентов с расщелиной: прямое сравнение между оценками на основе искусственного интеллекта и обычными группами экспертов». Европейский журнал ортодонтии. 41 (4): 428–433. Дои:10.1093 / ejo / cjz007. PMID  30788496. S2CID  73507799.
  29. ^ «Компьютер учится обнаруживать рак кожи точнее, чем врачи». Хранитель. 29 мая 2018.
  30. ^ Коби Н (1 января 2020 г.). «Новый ИИ DeepMind может обнаружить рак груди так же хорошо, как и ваш врач». Проводная Великобритания. Проводной. Получено 1 января 2020.
  31. ^ McKinney SM, Sieniek M, Godbole V, Godwin J, Antropova N, Ashrafian H, et al. (Январь 2020 г.). «Международная оценка системы искусственного интеллекта для скрининга рака груди». Природа. 577 (7788): 89–94. Bibcode:2020Натура 577 ... 89 млн. Дои:10.1038 / s41586-019-1799-6. PMID  31894144. S2CID  209523468.
  32. ^ «Искусственный интеллект идентифицирует рак простаты с почти идеальной точностью». EurekAlert!. 27 июля 2020 г.. Получено 29 июля 2020.
  33. ^ Пантановиц Л., Кирога-Гарза Г.М., Бьен Л., Хелед Р., Лайфенфельд Д., Линхарт С. и др. (1 августа 2020 г.). «Алгоритм искусственного интеллекта для диагностики рака простаты на полных слайдах биопсии стержневой иглы: слепое клиническое исследование для проверки и внедрения». Цифровое здоровье Lancet. 2 (8): e407 – e416. Дои:10.1016 / S2589-7500 (20) 30159-X. ISSN  2589-7500. Получено 17 августа 2020.
  34. ^ Грэм С., Депп С., Ли Э., Небекер С., Ту Икс, Ким ХК, Джесте Д.В. (ноябрь 2019 г.). "Artificial Intelligence for Mental Health and Mental Illnesses: an Overview". Текущие отчеты психиатрии. 21 (11): 116. Дои:10.1007/s11920-019-1094-0. ЧВК  7274446. PMID  31701320.
  35. ^ Fulmer R, Joerin A, Gentile B, Lakerink L, Rauws M (December 2018). "Using Psychological Artificial Intelligence (Tess) to Relieve Symptoms of Depression and Anxiety: Randomized Controlled Trial". JMIR Психическое здоровье. 5 (4): e64. Дои:10.2196/mental.9782. ЧВК  6315222. PMID  30545815.
  36. ^ Coppersmith G, Leary R, Crutchley P, Fine A (January 2018). "Natural Language Processing of Social Media as Screening for Suicide Risk". Biomedical Informatics Insights. 10: 1178222618792860. Дои:10.1177/1178222618792860. ЧВК  6111391. PMID  30158822.
  37. ^ Brunn M, Diefenbacher A, Courtet P, Genieys W (August 2020). "The Future is Knocking: How Artificial Intelligence Will Fundamentally Change Psychiatry". Academic Psychiatry. 44 (4): 461–466. Дои:10.1007/s40596-020-01243-8. PMID  32424706. S2CID  218682746.
  38. ^ Mistry P (September 2019). "Artificial intelligence in primary care". Британский журнал общей практики. 69 (686): 422–423. Дои:10.3399/bjgp19X705137. ЧВК  6715470. PMID  31467001.
  39. ^ Blease C, Kaptchuk TJ, Bernstein MH, Mandl KD, Halamka JD, DesRoches CM (March 2019). "Artificial Intelligence and the Future of Primary Care: Exploratory Qualitative Study of UK General Practitioners' Views". Журнал медицинских интернет-исследований. 21 (3): e12802. Дои:10.2196/12802. ЧВК  6446158. PMID  30892270. S2CID  59175658.
  40. ^ Liyanage H, Liaw ST, Jonnagaddala J, Schreiber R, Kuziemsky C, Terry AL, de Lusignan S (August 2019). "Artificial Intelligence in Primary Health Care: Perceptions, Issues, and Challenges". Yearbook of Medical Informatics. 28 (1): 41–46. Дои:10.1055/s-0039-1677901. ЧВК  6697547. PMID  31022751.
  41. ^ Blease C, Kaptchuk TJ, Bernstein MH, Mandl KD, Halamka JD, DesRoches CM (March 2019). "Artificial Intelligence and the Future of Primary Care: Exploratory Qualitative Study of UK General Practitioners' Views". Журнал медицинских интернет-исследований. 21 (3): e12802. Дои:10.2196/12802. ЧВК  6446158. PMID  30892270. S2CID  59175658.
  42. ^ Kocaballi AB, Ijaz K, Laranjo L, Quiroz JC, Rezazadegan D, Tong HL, et al. (Ноябрь 2020 г.). "Envisioning an artificial intelligence documentation assistant for future primary care consultations: A co-design study with general practitioners". Журнал Американской ассоциации медицинской информатики. 27 (11): 1695–1704. Дои:10.1093/jamia/ocaa131. ЧВК  7671614. PMID  32845984.
  43. ^ а б c d Liang H, Tsui BY, Ni H, Valentim CC, Baxter SL, Liu G, et al. (Март 2019 г.). "Evaluation and accurate diagnoses of pediatric diseases using artificial intelligence". Природа Медицина. 25 (3): 433–438. Дои:10.1038/s41591-018-0335-9. PMID  30742121. S2CID  59945159.
  44. ^ Hamet P, Tremblay J (April 2017). "Artificial intelligence in medicine". Метаболизм. Insights Into the Future of Medicine: Technologies, Concepts, and Integration. 69S: S36–S40. Дои:10.1016/j.metabol.2017.01.011. PMID  28126242.
  45. ^ а б Pivovarov R, Elhadad N (September 2015). "Automated methods for the summarization of electronic health records". Журнал Американской ассоциации медицинской информатики. 22 (5): 938–47. Дои:10.1093/jamia/ocv032. ЧВК  4986665. PMID  25882031. S2CID  1452.
  46. ^ Yang M (2020-08-19). "Painful conversations: Therapeutic chatbots and public capacities". Communication and the Public. 5 (1–2): 35–44. Дои:10.1177/2057047320950636. ЧВК  7441483.
  47. ^ а б c Pouke M, Häkkilä J (December 2013). "Elderly healthcare monitoring using an avatar-based 3D virtual environment". Международный журнал экологических исследований и общественного здравоохранения. 10 (12): 7283–98. Дои:10.3390/ijerph10127283. ЧВК  3881167. PMID  24351747. S2CID  18535954.
  48. ^ а б c d е Ferrante FE (June 2005). "Evolving telemedicine/ehealth technology". Telemedicine Journal and E-Health. 11 (3): 370–83. Дои:10.1089/tmj.2005.11.370. PMID  16035932.
  49. ^ а б c d Medrano IH, Guijarro JT, Belda C, Ureña A, Salcedo I, Anke LE, Saggion H (2018). "Savana: Re-using Electronic Health Records with Artificial Intelligence". IJIMAI. 4 (7): 8–12. Дои:10.9781/ijimai.2017.03.001. ISSN  1989-1660.
  50. ^ а б c Eren A, Subasi A, Coskun O (February 2008). "A decision support system for telemedicine through the mobile telecommunications platform". Journal of Medical Systems. 32 (1): 31–5. Дои:10.1007/s10916-007-9104-x. PMID  18333403. S2CID  11082133.
  51. ^ Bennett CC, Doub TW, Selove R (April 2012). "EHRs connect research and practice: Where predictive modeling, artificial intelligence, and clinical decision support intersect". Политика и технологии здравоохранения. 1 (2): 105–114. arXiv:1204.4927. Дои:10.1016/j.hlpt.2012.03.001. ISSN  2211-8837. S2CID  25022446.
  52. ^ а б Bokharaeian B, Diaz A, Chitsaz H (2016). "Enhancing Extraction of Drug-Drug Interaction from Literature Using Neutral Candidates, Negation, and Clause Dependency". PLOS ONE. 11 (10): e0163480. Bibcode:2016PLoSO..1163480B. Дои:10.1371/journal.pone.0163480. ЧВК  5047471. PMID  27695078.
  53. ^ а б c Cai R, Liu M, Hu Y, Melton BL, Matheny ME, Xu H, et al. (February 2017). "Identification of adverse drug-drug interactions through causal association rule discovery from spontaneous adverse event reports". Искусственный интеллект в медицине. 76: 7–15. Дои:10.1016/j.artmed.2017.01.004. ЧВК  6438384. PMID  28363289.
  54. ^ а б Christopoulou F, Tran TT, Sahu SK, Miwa M, Ananiadou S (January 2020). "Adverse drug events and medication relation extraction in electronic health records with ensemble deep learning methods". Журнал Американской ассоциации медицинской информатики. 27 (1): 39–46. Дои:10.1093/jamia/ocz101. ЧВК  6913215. PMID  31390003.
  55. ^ а б Zhou D, Miao L, He Y (May 2018). "Position-aware deep multi-task learning for drug-drug interaction extraction" (PDF). Искусственный интеллект в медицине. 87: 1–8. Дои:10.1016/j.artmed.2018.03.001. PMID  29559249.
  56. ^ García JS (2013-04-14). Optimización del tratamiento de enfermos pluripatológicos en atención primaria UCAMI HHUU Virgen del Rocio (Report). Sevilla. Spain – via ponencias de la II Reunión de Paciente Pluripatológico y Edad Avanzada Archived.
  57. ^ Herrero-Zazo M, Segura-Bedmar I, Martínez P, Declerck T (October 2013). "The DDI corpus: an annotated corpus with pharmacological substances and drug-drug interactions". Журнал биомедицинской информатики. 46 (5): 914–20. Дои:10.1016/j.jbi.2013.07.011. PMID  23906817.
  58. ^ Segura Bedmar I, Martínez P, Herrero Zazo M (June 2013). Semeval-2013 task 9: Extraction of drug-drug interactions from biomedical texts (ddiextraction 2013). Second Joint Conference on Lexical and Computational Semantics. 2. Ассоциация компьютерной лингвистики. С. 341–350.
  59. ^ Xu B, Shi X, Yin Y, Zhao Z, Zheng W, Lin H, et al. (Июль 2019). "Incorporating User Generated Content for Drug Drug Interaction Extraction Based on Full Attention Mechanism". IEEE Transactions on Nanobioscience. 18 (3): 360–367. Дои:10.1109/TNB.2019.2919188. PMID  31144641. S2CID  169038906.
  60. ^ Wakefield J (30 January 2020). "Artificial intelligence-created medicine to be used on humans for first time". Новости BBC.
  61. ^ "Novel molecules designed by artificial intelligence in 21 days are validated in mice". EurekAlert!. 2 сентября 2019 г.. Получено 5 сентября 2019.
  62. ^ "Has AI Discovered a Drug Now? Guess". Наука. 4 сентября 2019 г.. Получено 5 сентября 2019.
  63. ^ Zhavoronkov A, Ivanenkov YA, Aliper A, Veselov MS, Aladinskiy VA, Aladinskaya AV, et al. (Сентябрь 2019 г.). "Deep learning enables rapid identification of potent DDR1 kinase inhibitors". Природа Биотехнологии. 37 (9): 1038–1040. Дои:10.1038/s41587-019-0224-x. PMID  31477924. S2CID  201716327.
  64. ^ "Deep Genomics Nominates Industry's First AI-Discovered Therapeutic Candidate". Deep Genomics. 25 сентября 2019 г.. Получено 25 сентября 2019.
  65. ^ а б c Pisarchik AN, Maksimenko VA, Hramov AE (October 2019). "From Novel Technology to Novel Applications: Comment on "An Integrated Brain-Machine Interface Platform With Thousands of Channels" by Elon Musk and Neuralink". Журнал медицинских интернет-исследований. 21 (10): e16356. Дои:10.2196/16356. ЧВК  6914250. PMID  31674923. S2CID  207818415.
  66. ^ а б c d Quan XI, Sanderson J (December 2018). "Understanding the Artificial Intelligence Business Ecosystem". Обзор инженерного менеджмента IEEE. 46 (4): 22–25. Дои:10.1109/EMR.2018.2882430. ISSN  0360-8581. S2CID  59525052.
  67. ^ Bresnick J (30 April 2018). "Top 12 Ways Artificial Intelligence Will Impact Healthcare". HealthITAnalytics.
  68. ^ Bhattad PB, Jain V (May 2020). "Artificial Intelligence in Modern Medicine - The Evolving Necessity of the Present and Role in Transforming the Future of Medical Care". Cureus. 12 (5): e8041. Дои:10.7759/cureus.8041. ЧВК  7282357. PMID  32528777.
  69. ^ Lovis C (November 2019). "Unlocking the Power of Artificial Intelligence and Big Data in Medicine". Журнал медицинских интернет-исследований. 21 (11): e16607. Дои:10.2196/16607. ЧВК  6874800. PMID  31702565.
  70. ^ а б Abou-Zahra S, Brewer J, Cooper M (2018-04-23). "Artificial Intelligence (AI) for Web Accessibility: Is Conformance Evaluation a Way Forward?". Proceedings of the Internet of Accessible Things. W4A '18. Lyon, France: Association for Computing Machinery: 1–4. Дои:10.1145/3192714.3192834. ISBN  978-1-4503-5651-0. S2CID  49863409.
  71. ^ а б Guo J, Li B (2018-08-01). "The Application of Medical Artificial Intelligence Technology in Rural Areas of Developing Countries". Справедливость в отношении здоровья. 2 (1): 174–181. Дои:10.1089/heq.2018.0037. ЧВК  6110188. PMID  30283865.
  72. ^ а б c Lacassie E, Marquet P, Martin-Dupont S, Gaulier JM, Lachâtre G (September 2000). "A non-fatal case of intoxication with foxglove, documented by means of liquid chromatography-electrospray-mass spectrometry". Журнал судебной медицины. 45 (5): 1154–8. Дои:10.1520/JFS14845J. PMID  11005196.
  73. ^ а б Davenport T, Kalakota R (June 2019). "The potential for artificial intelligence in healthcare". Future Healthcare Journal. 6 (2): 94–98. Дои:10.7861/futurehosp.6-2-94. ЧВК  6616181. PMID  31363513.
  74. ^ U.S News Staff (2018-09-20). "Artificial Intelligence Continues to Change Health Care". Новости США.
  75. ^ "AI for Health CareArtificial Intelligence for Health Care". GrayRipples.com | AI | iOS | Android | PowerApps. 2020-03-04. Проверено 4 ноября 2020.
  76. ^ а б Baric-Parker J, Anderson EE (November 2020). "Patient Data-Sharing for AI: Ethical Challenges, Catholic Solutions". Ежеквартальный журнал Linacre. 87 (4): 471–481. Дои:10.1177/0024363920922690. ЧВК  7551527. PMID  33100395.
  77. ^ а б Nordling L (September 2019). "A fairer way forward for AI in health care". Природа. 573 (7775): S103–S105. Bibcode:2019Natur.573S.103N. Дои:10.1038/d41586-019-02872-2. PMID  31554993. S2CID  202749329.
  78. ^ Reddy S, Allan S, Coghlan S, Cooper P (March 2020). "A governance model for the application of AI in health care". Journal of the American Medical Informatics Association : JAMIA. 27 (3): 491–497. Дои:10.1093/jamia/ocz192. ЧВК  7647243. PMID  31682262.

дальнейшее чтение