Вештачка интелигенција у здравству
![](http://upload.wikimedia.org/wikipedia/commons/thumb/7/77/X-ray_of_hand%2C_where_bone_age_is_automatically_found_by_BoneXpert_software.jpg/220px-X-ray_of_hand%2C_where_bone_age_is_automatically_found_by_BoneXpert_software.jpg)
Вештачка интелигенција у здравству је термин који се користи за описивање употребе алгоритама и софтвера за машинско учење, или вештачке интелигенције (VI), за опонашање људске спознаје у анализи, презентацији и разумевању сложених медицинских и здравствених података, или за превазилажење људских могућности пружањем нових начина дијагнозирања, лечења или превенције болести.[1][2] Конкретно, VI је способност компјутерских алгоритама да дођу до приближних закључака заснованих искључиво на улазним подацима.
Примарни циљ апликација вештачке интелигенције у вези са здрављем је анализа односа између клиничких података и исхода пацијената.[3] Програми вештачке интелигенције се примењују на праксе као што су дијагностика, развој протокола лечења, развој лекова, персонализована медицина и праћење и нега пацијената. Оно што разликује технологију вештачке интелигенције од традиционалних технологија у здравству је способност прикупљања већих и разноврснијих података, њихове обраде и производње добро дефинисаног резултата до крајњег корисника. VI то ради помоћу алгоритама машинског учења и дубоког учења. Пошто су рендгенски снимци најчешћи тестови снимања који се спроводе у већини одељења радиологије, потенцијал VI да помогне у тријажи и интерпретацији традиционалних радиографија (рендгенских снимака) је посебно вредан пажње.[4] Ови процеси могу препознати обрасце у понашању и створити сопствену логику. Да би се стекли корисни увиди и предвиђања, модели машинског учења морају бити обучени коришћењем великих количина улазних података. Алгоритми вештачке интелигенције се понашају другачије од људи на два начина: (1) алгоритми су дословни: када се постави циљ, алгоритам учи искључиво из улазних података и може само да разуме оно што је програмиран да уради, (2) и неки алгоритми дубоког учења су црне кутије; алгоритми могу да предвиде са изузетном прецизношћу, али нуде мало или нимало разумљивог објашњења за логику која стоји иза њихових одлука осим података и типа коришћеног алгоритма.[5]
Како је широко распрострањена употреба вештачке интелигенције у здравству релативно нова, у току су истраживања њене примене у различитим областима медицине и индустрије. Поред тога, већа пажња се поклања етичким проблемима без преседана у вези са њеном праксом, као што су приватност података, аутоматизација послова и пристрасности у заступању.[6] Штавише, лидери у здравству често се опиру новим технологијама које је донела вештачка интелигенција у здравству, што доводи до спорог и неравномерног усвајања.[7]
Референце[уреди | уреди извор]
- ^ „Девелопинг ан агинг цлоцк усинг дееп леарнинг он ретинал имагес”. аи.гооглеблог.цом (на језику: енглески). 2023-04-11. Приступљено 2023-06-01.
- ^ Муллаинатхан С, Обермеyер З (мај 2022). „Солвинг медицине'с дата боттленецк: Нигхтингале Опен Сциенце”. Натуре Медицине. 28 (5): 897—899. ПМИД 35534570. С2ЦИД 248668494. дои:10.1038/с41591-022-01804-4
.
- ^ Цоиера Е (1997). Гуиде то медицал информатицс, тхе Интернет анд телемедицине. Цхапман & Халл, Лтд.
- ^ Адамс, Сцотт Ј.; Хендерсон, Роберт D. Е.; Yи, Xин; Бабyн, Паул (фебруар 2021). „Артифициал Интеллигенце Солутионс фор Аналyсис оф X-раy Имагес”. Цанадиан Ассоциатион оф Радиологистс Јоурнал (на језику: енглески). 72 (1): 60—72. ИССН 0846-5371. ПМИД 32757950. С2ЦИД 221036912. дои:10.1177/0846537120941671
.
- ^ Луца M, Клеинберг Ј, Муллаинатхан С (2016). „Алгоритхмс Неед Манагерс, Тоо”. Харвард Бусинесс Ревиеw. Приступљено 2018-10-08.
- ^ Флориди L, Луетге C, Пагалло У, Сцхафер Б, Валцке П, Ваyена Е, Аддисон Ј, Хугхес Н, Леа Н, Саге C, Ванниеуwенхуyсе Б (2019-09-01). „Кеy Етхицал Цхалленгес ин тхе Еуропеан Медицал Информатион Фрамеwорк”. Миндс анд Мацхинес (на језику: енглески). 29 (3): 355—371. ИССН 1572-8641. С2ЦИД 49668711. дои:10.1007/с11023-018-9467-4
. хдл:2318/1728336
.
- ^ Петерссон L, Ларссон I, Нyгрен ЈМ, Нилсен П, Нехер M, Реед ЈЕ, Тyскбо D, Сведберг П (јул 2022). „Цхалленгес то имплементинг артифициал интеллигенце ин хеалтхцаре: а qуалитативе интервиеw студy wитх хеалтхцаре леадерс ин Сwеден”. БМЦ Хеалтх Сервицес Ресеарцх. 22 (1): 850. ПМЦ 9250210
. ПМИД 35778736. дои:10.1186/с12913-022-08215-8
.
Литература[уреди | уреди извор]
- Беннетт CC, Доуб ТW, Селове Р (јун 2012). „ЕХРс цоннецт ресеарцх анд працтице: Wхере предицтиве моделинг, артифициал интеллигенце, анд цлиницал децисион суппорт интерсецт.”. Хеалтх Полицy анд Тецхнологy. 1 (2): 105—14. С2ЦИД 25022446. арXив:1204.4927
. дои:10.1016/ј.хлпт.2012.03.001.
- Wахл Б, Цоссy-Гантнер А, Германн С, Сцхwалбе НР (2018). „Артифициал интеллигенце (АИ) анд глобал хеалтх: хоw цан АИ цонтрибуте то хеалтх ин ресоурце-поор сеттингс?”. БМЈ Глобал Хеалтх. 3 (4): е000798. ПМЦ 6135465
. ПМИД 30233828. дои:10.1136/бмјгх-2018-000798.
- де Јесус А (21. 11. 2019). „Артифициал Интеллигенце ин Епидемиологy”. Емерј. АИ Ресеарцх анд Адвисорy Цомпанy.
- „Аццелератинг Америца'с Леадерсхип ин Артифициал Интеллигенце.”. wхитехоусе.гов. 11. 2. 2019 — преко Натионал Арцхивес.
- Wонг Ј, Хорwитз MM, Зхоу L, Тох С (децембар 2018). „Усинг мацхине леарнинг то идентифy хеалтх оутцомес фром елецтрониц хеалтх рецорд дата”. Цуррент Епидемиологy Репортс. Спрингер Сциенце анд Бусинесс Медиа ЛЛЦ. 5 (4): 331—342. ПМЦ 6289196
. ПМИД 30555773. дои:10.1007/с40471-018-0165-9.
- Лин WЦ, Цхен ЈС, Цхианг МФ, Хрибар МР (фебруар 2020). „Апплицатионс оф Артифициал Интеллигенце то Елецтрониц Хеалтх Рецорд Дата ин Опхтхалмологy”. Транслатионал Висион Сциенце & Тецхнологy. Ассоциатион фор Ресеарцх ин Висион анд Опхтхалмологy (АРВО). 9 (2): 13. ПМЦ 7347028
. ПМИД 32704419. дои:10.1167/твст.9.2.13
.
- Моехринг РW, Пхелан M, Лофгрен Е, Нелсон А, Доддс Асхлеy Е, Андерсон ДЈ, Голдстеин БА (март 2021). „Девелопмент оф а Мацхине Леарнинг Модел Усинг Елецтрониц Хеалтх Рецорд Дата то Идентифy Антибиотиц Усе Амонг Хоспитализед Патиентс”. ЈАМА Нетwорк Опен. Америцан Медицал Ассоциатион (АМА). 4 (3): е213460. ПМЦ 8008288
. ПМИД 33779743. дои:10.1001/јаманетwоркопен.2021.3460
.
- Сцхwартз ЈТ, Гао M, Генг ЕА, Модy КС, Микхаил CM, Цхо СК (децембар 2019). „Апплицатионс оф Мацхине Леарнинг Усинг Елецтрониц Медицал Рецордс ин Спине Сургерy”. Неуроспине. Тхе Кореан Спинал Неуросургерy Социетy. 16 (4): 643—653. ПМЦ 6945000
. ПМИД 31905452. дои:10.14245/нс.1938386.193
.
- Схин С, Аустин ПЦ, Росс ХЈ, Абдел-Qадир Х, Фреитас C, Томлинсон Г, Цхиццо D, Махендиран M, Лаwлер ПР, Биллиа Ф, Грамолини А, Епелман С, Wанг Б, Лее ДС (фебруар 2021). „Мацхине леарнинг вс. цонвентионал статистицал моделс фор предицтинг хеарт фаилуре реадмиссион анд морталитy”. ЕСЦ Хеарт Фаилуре. Wилеy. 8 (1): 106—115. ПМЦ 7835549
. ПМИД 33205591. дои:10.1002/ехф2.13073
.
- Цхо СМ, Аустин ПЦ, Росс ХЈ, Абдел-Qадир Х, Цхиццо D, Томлинсон Г, Тахери C, Фороутан Ф, Лаwлер ПР, Биллиа Ф, Грамолини А, Епелман С, Wанг Б, Лее ДС (август 2021). „Мацхине Леарнинг Цомпаред Wитх Цонвентионал Статистицал Моделс фор Предицтинг Мyоцардиал Инфарцтион Реадмиссион анд Морталитy: А Сyстематиц Ревиеw”. Тхе Цанадиан Јоурнал оф Цардиологy. Елсевиер. 37 (8): 1207—1214. ПМИД 33677098. С2ЦИД 232141652. дои:10.1016/ј.цјца.2021.02.020.