Sağlık hizmetlerinde yapay zekâ

Sağlık hizmetlerinde yapay zekâ, karmaşık tıbbî ve sağlık hizmetleri verilerinin analizinde, insan bilişini taklit etmek için makine öğrenimi algoritmalarını, yazılımlarını veya yapay zekâyı (AI) tanımlamak için kullanılan kapsamlı bir terimdir. Özellikle, AI, bilgisayar algoritmalarının sonuçları yalnızca giriş verilerine göre yaklaşık olarak tahmin etme yeteneğidir.

Bir bilgisayar yazılımı ile kemik yaşını otomatik olarak hesaplanmasıyla bir elin röntgeni

Yapay zekâ teknolojisini sağlık hizmetlerinin geleneksel teknolojilerinden ayıran şey, veri toplama, işleme ve son kullanıcıya iyi tanımlanmış bir çıktı verme yeteneğidir. AI, bunu makine öğrenimi algoritmaları ve derin öğrenme yolu ile yapmaktadır. Bu algoritmalar davranış kalıplarını tanıyabilir ve kendi mantığını oluşturabilir. Yararlı sezgi ve tahminler elde etmek için, makine öğrenimi modellerinin çok miktarda girdi verisi kullanılarak eğitilmesi gerekmektedir. Yapay zekâ algoritmaları iki şekilde insanlardan farklı davranır: (1) algoritmalar gerçektir: Bir hedef belirlendiğinde, algoritma giriş verilerinden öğrenebilir. Yalnızca ne yapmak için programlandığını anlayabilir ve (2) derin öğrenme algoritmaları kara kutulardır. Algoritmalar son derece hassas bir şekilde tahminde bulunabilir. Ancak kullanılan algoritma türü ve verileri dışında kararlarının arkasındaki mantığa çok az veya anlaşılmaz açıklama sunabilir.

Sağlıkla ilgili AI uygulamalarının ilk amacı, önleme veya tedavi teknikleri ile hasta sonuçları arasındaki ilişkileri analiz etmektir. Tanı süreçleri, ve , , ve bakım gibi uygulamalar için yapay zeka programları uygulanmaktadır. AI algoritmaları, hastalığın önlenmesi ve teşhisi için elektronik sağlık kayıtları aracılığıyla büyük miktarda veriyi analiz etmek için de kullanılabilir. IBM ve Google gibi büyük teknoloji şirketleri de sağlık hizmetleri için AI algoritmaları geliştirmiştir. Ayrıca hastaneler, maliyet tasarrufunu, hasta memnuniyetini artırmak, personel, iş gücü ihtiyaçlarını karşılamak ve girişimleri desteklemek için AI yazılımlarına ihtiyaç duyabilir. Şu anda, Amerika Birleşik Devletleri sağlık hizmetlerinde yapay zekanın gelişimini ilerletmek için milyarlarca dolar yatırım yapmaktadır. Şirketler, yatılı hasta sayısını ve kalış süresini azaltarak, personel seviyelerini uygun hale getirmektedir. Bu sayede işlerinin iyileştirilmesine yardımcı teknolojiler geliştirilmektedir.

Yapay zekânın sağlık hizmetlerinin uygulamalarında yaygın kullanımı yeni olduğu için, veri gizliliği, işlerin otomasyonu ve temsil önyargıları gibi eşsiz birkaç etik kaygı vardır.

Tarihçe

1960-1970'lerde yapılmaya başlanan araştırmalar sonucu, Dendral olarak bilinen ilk problem çözme programı veya uzman sistemi üretilmiştir. Bu sistem organik kimya uygulamaları için tasarlanmış olsa da, yapay zekanın tıptaki en önemli erken kullanımlarından biri olarak kabul edilen MYCIN 21 Nisan 2021 tarihinde Wayback Machine sitesinde arşivlendi. adlı bir sisteme temel oluşturmuştur.

1980-1990'larda, mikrobilgisayarın yaygınlaşmasını ve yeni ağ bağlantısı düzeylerini getirmiştir. Bu sürede, araştırmacılar ve geliştiriciler sağlık hizmetlerinde yapay zeka sistemlerinin mükemmel verilerini barındıracak, doktorların uzmanlığı üzerine inşa edilebilecek şekilde tasarlanması gerektiğini kabul etmiştir.Bulanık set teorisini 16 Nisan 2021 tarihinde Wayback Machine sitesinde arşivlendi.,Bayes ağlarını 18 Eylül 2020 tarihinde Wayback Machine sitesinde arşivlendi. ve yapay sinir ağlarını 26 Mayıs 2021 tarihinde Wayback Machine sitesinde arşivlendi. içeren yaklaşımlar, sağlık hizmetlerinde akıllı bilgi işlem sistemlerine uygulanmıştır. Bu yarım yüzyıllık dönemde meydana gelen ve yapay zekanın sağlık hizmetleri ile ilgili uygulamalarının büyümesini sağlayan tıbbi ve teknolojik gelişmeler şunlardır:

• Bilgi işlem gücündeki 28 Mayıs 2021 tarihinde Wayback Machine sitesinde arşivlendi. iyileştirmeler, daha hızlı veri toplama ve veri işleme ile sonuçlanmaktadır.
• Genomik sıralama veri tabanlarının büyümesi,
• Elektronik sağlık kayıt 4 Mayıs 2021 tarihinde Wayback Machine sitesinde arşivlendi. sistemlerinin yaygın olarak uygulanması,
• Doğal dil işleme ve bilgisayar görüşündeki 4 Mayıs 2021 tarihinde Wayback Machine sitesinde arşivlendi. gelişmeler, makinelerin insan algısal süreçlerini çoğaltmasını sağlamaktadır.
• artırılmıştır.
• Nadir hastalıklarda derin öğrenme tekniklerinde ve veri kayıtlarında iyileştirmeler yapılmıştır.

Mevcut Araştırma

Dermatoloji

Dermatoloji, görüntülemesi çok olan bir uzmanlık alanıdır., görüntü işlemeye güçlü bir şekilde bağlanmıştır. Bu nedenle dermatoloji ile derin öğrenme arasında doğal bir uyum bulunmuştur. Dermatolojide 3 ana görüntüleme türü vardır. Bunlar bağlamsal görüntüler, makro görüntüler, mikro görüntülerdir. Her yöntem için derin öğrenme büyük ilerleme göstermiştir. Han ve arkadaşları yüz fotoğraflarından keratinositik cilt kanseri tespitini göstermiştir. Esteva ve arkadaşları lezyon görüntülerinden cilt kanserinin dermatolog düzeyinde sınıflandırıldığını göstermiştir. Noyan ve arkadaşları, mikroskobik Tzanck smear 22 Nisan 2021 tarihinde Wayback Machine sitesinde arşivlendi. görüntülerinden cilt hücrelerini tanımlamada %94 doğruluk sağlayan olduğunu bulmuştur.

Radyoloji

Bilgisayarlı Tomografi (BT) ve (MR) Görüntüleme ile hastalardaki hastalıkları tespit ve teşhis etmek için radyoloji alanında yapay zeka üzerinde çalışılmaktadır.Kuzey Amerika Radyoloji Derneği 24 Şubat 2021 tarihinde Wayback Machine sitesinde arşivlendi.'ne göre radyolojide yapay zekaya odaklanma, 2015-2018 yılları arasında sırasıyla 0'dan 3'e, 17'ye ve toplam yayınların genel olarak %10'una büyüme ile son yıllarda hızla artmıştır.Stanford'da yapılan bir çalışmada, ortalama F1 metrik (doğruluk ve hatırlamaya dayalı istatistiksel bir metrik) olan hastalarda zatürreyi, denemede yer alan radyologlardan daha iyi tespit edebilecek bir algoritma oluşturulmuştur. Onkolojide görüntüleme sayesinde, yapay zeka anormallikleri tespit etmek ve zaman içinde değişimi izlemek için iyi hizmet verebilmiştir. Bunlar onkolojik sağlıkta iki temel faktör olmuştur. İcometrix, QUIBIM, Robovision ve UMC Utrecht'in IMAGRT'si gibi birçok şirket ve satıcı nötr sistemi, çeşitli hastalıkları tespit etmek için eğitilebilir bir makine öğrenimi platformu sağlamak için kullanılabilir hale gelmiştir. Birçok profesyonel, radyolojide yapay zeka işlemenin geleceği konusunda iyimserdir. Çünkü gerekli etkileşim süresini azaltabilir ve doktorların daha fazla hasta görmesini sağlayabilir. Kötü veya iyi huylu büyümeleri çözmede eğitimli bir göz kadar iyi olmamasına rağmen, tıbbi görüntülemenin tarihi, yeni sistemlerin hem kapasitesinde hem de güvenilirliğinde hızlı bir ilerleme göstermektedir. Radyolojide yapay zeka teknolojisinin ortaya çıkması, uzmanların yapamadığı izole vakalarda belirli istatistiksel metrikler ile gelişebildiği için bazı uzmanlar tarafından bir tehdit olarak algılanmaktadır.

Tarama

Son gelişmeler, çene-yüz cerrahisinin 25 Nisan 2021 tarihinde Wayback Machine sitesinde arşivlendi. sonucunu tanımlamak ve değerlendirmek için AI kullanımını veya yüz çekiciliği, yaş görünümü açısından yarık damak 13 Nisan 2021 tarihinde Wayback Machine sitesinde arşivlendi. tedavisinin değerlendirilmesini önermektedir.

2018 yılında Annals of Oncology 20 Eylül 2020 tarihinde Wayback Machine sitesinde arşivlendi. dergisinde yayınlanan bir makalede, cilt kanserinin dermatologlara göre bir yapay zeka sistemi (derin öğrenme kıvrımlı sinir ağı kullanan) tarafından daha doğru tespit edilebileceğinden bahsedilmiştir. Ortalama olarak, insan dermatologlar görüntülerden cilt kanserlerinin %86.6'sını tespit ederken CNN makinesi %95 oranında doğru bir şekilde tespit etmiştir.

Ocak 2020'de araştırmacılar, bir Google DeepMind algoritmasını temel alan ve meme kanseri tespitinde insan uzmanları geçebilen bir AI sistemi göstermiştir.

Temmuz 2020'de Pittsburgh Üniversitesi tarafından bir AI algoritmasının prostat kanserini 30 Mayıs 2021 tarihinde Wayback Machine sitesinde arşivlendi. tanımlamada %98 duyarlılık ve %97 özgüllük ile bugüne kadarki en yüksek doğruluğa ulaştığı bildirilmiştir.

Psikiyatri

Psikiyatride, AI uygulamaları kavram kanıtlama aşamasındadır. Kanıtların hızla genişlediği alanlar arasında sohbet robotları, insan davranışını taklit eden konuşma aracıları, anksiyete ve depresyon için çalışmalar yer almaktadır.

Birincil bakım

Birinci basamak, AI teknolojileri için önemli bir gelişme alanı haline gelmiştir. Birinci basamakta AI, karar verme, tahmine dayalı modelleme ve iş analitiğini desteklemek için kullanılmıştır. Yapay zeka teknolojilerindeki hızlı gelişmelere rağmen, pratisyen hekimlerin yapay zekanın birinci basamaktaki rolüne bakış açısı çok sınırlı olmaktadır. Esas olarak, AI, idari ve rutin dokümantasyon görevlerine odaklanmıştır.

Hastalık teşhisi

Jiang ve arkadaşları (2017) tarafından yapılan bir makale, çeşitli hastalıklar için kullanılan destek vektör makineleri, sinir ağları ve karar ağaçları gibi yapay zeka teknikleri olduğunu göstermiştir. Bu tekniklerin her biri bir "eğitim hedefi" olarak tanımlanmaktadır. Bu nedenle "sınıflandırmalar sonuçlarla mümkün olduğunca aynı fikirdedir..."

Hastalık tanısında bazı özellikleri göstermek için bu hastalıkların sınıflandırılmasında kullanılan iki farklı teknik vardır: "Yapay Sinir Ağları (Artificial Neural Networks: ANN) ve Bayes ağları (Bayesian Networks: BN)" kullanılmıştır.

ANN'in daha iyi ve diyabet, CVD(kardiyovasküler hastalıklar)'yi daha doğru bir şekilde sınıflandırabildiği bulunmuştur.

Yapay Zeka, Tıbbi Öğrenme Sınıflandırıcıları (Medical Learning Classifiers: MLC) kullanılarak, toplu (Electronic Health Records: EHR) yönlendirilmesi ile hasta tanısında doktorlara önemli ölçüde yardımcı olabilmiştir. Tıbbi koşullar daha karmaşık hale gelmiştir. Elektronik tıbbi kayıtların inşasının geniş bir geçmişi ile, vaka çoğaltma olasılığı yüksek olabilir. Günümüzde nadir görülen bir hastalığa sahip birinin, herhangi bir hastalıktan muzdarip olan tek kişi olma olasılığı daha düşüktür. Bu yüzden benzer semptomatik kökenlerden vakalara erişememe hekimler için önemli bir engeldir. AI'nın uygulanması sadece benzer vakaları ve tedavileri bulmaya yardımcı olmakla kalmayıp aynı zamanda ana semptomları da hesaba katmaktadır. Doktorların en uygun soruları sormasına, hastanın mümkün olan en doğru tanı ve tedaviyi almasına yardımcı olur.

Teletıp

Kan oksijen seviyelerini ölçmek için nabız oksimetresi kullanan yaşlı bir adam

Hastaların uzaktan tedavisine imkan sağlayan teletıp 14 Nisan 2021 tarihinde Wayback Machine sitesinde arşivlendi. uygulamasındaki artış, olası AI uygulamalarının yükselişini göstermektedir. AI, sensörler aracılığı ile hastaların bilgilerini izleyerek h bakımlarına uzaktan yardımcı olabilir. Giyilebilir bir cihaz, bir hastanın sürekli izlenmesine ve insanlar tarafından daha az ayırt edilebilen değişiklikleri fark etme yeteneğine izin verebilir. Bilgiler, dikkat edilmesi gereken herhangi bir sorun varsa hekimleri uyaran AI algoritmaları kullanılarak zaten toplanmış olan diğer veriler ile karşılaştırılabilir.

Yapay zekanın bir diğer uygulaması da sohbet-bot terapisidir. Bazı araştırmacılar, akıl sağlığı hizmetleri için sohbet-botlara güvenmenin, akıl sağlığı hizmeti tüketicisi ile bakım sağlayıcısı (bir sohbet botu veya psikolog olabilir) arasındaki ilişkide olması gereken bakımın karşılıklılığını ve hesap verebilirliğini sunmadığını iddia ediyor.

Daha uzun bir yaşam beklentisi nedeniyle yaş ortalaması yükseldiğinden, AI yaşlı nüfusa bakmaya yardımcı olabilir. Çevre ve kişisel sensörler gibi araçlar, bir kişinin düzenli faaliyetlerini belirleyebilir. Bir davranış veya ölçülen yaşamsal bir anormallik varsa bakıcıyı uyarabilir. Teknoloji yararlı olsa da, ev düzenlerini haritalamak ve insan etkileşimlerini tespit etmek için tasarlanmış teknolojiler olduğundan, bir kişinin gizliliğine saygı göstermek için izleme sınırlamaları hakkında tartışmalar da vardır.

Elektronik sağlık kayıtları

Elektronik sağlık kayıtları (EHR), sağlık sektörünün dijitalleşmesi ve bilginin yayılması için çok önemlidir. Tıbbi uygulamaların yaklaşık %80'i EHR kullandığına göre, bir sonraki adım, kayıtları yorumlamak ve hekimlere yeni bilgiler sağlamak için yapay zekayı kullanmak olacaktır. Bir uygulama, benzer tıbbi terimleri eşleştirerek tıbbi terimler arasındaki çeşitliliği sınırlandıran daha öz raporlar yapmak için doğal dil işlemeyi (natural language processing: NLP) kullanmaktadır. Örneğin, kalp krizi ve miyokard enfarktüsü 26 Mayıs 2021 tarihinde Wayback Machine sitesinde arşivlendi. terimi aynı anlama gelmektedir. Ancak doktorlar kişisel tercihlerine göre birini kullanabilir. NLP algoritmaları, daha büyük veri kümelerinin analiz edilebilmesi için bu farklılıkları birleştirmektedir. NLP'nin başka bir kullanımı, bir doktorun notlarında tekrarlanması nedeniyle gereksiz olan ifadeleri tanımlamak ve okumayı kolaylaştırmak için ilgili bilgileri saklamaktır.

Bir EHR'de içerik düzenlemeleri yapmanın ötesinde, bireysel bir hastanın kaydını değerlendiren, önceki bilgilerine ve aile geçmişine dayanarak bir hastalık riskini tahmin eden AI algoritmaları vardır. Genel algoritmalardan biri, insanların akış şemalarını nasıl kullandıklarına benzer kararlar veren kural tabanlı bir sistemdir. Bu sistem büyük miktarda veri alıp belirli gözlemleri sonuçlanan tanılara bağlayan bir dizi kural oluşturmaktadır. Böylece, algoritma yeni bir hastanın verilerini alabilir. Belirli bir duruma veya hastalığa sahip olma olasılığını tahmin etmeye çalışabilir.

Algoritmalar, bir hastanın bilgilerini toplu verilere dayanarak değerlendirebildiğinden, bir doktorun dikkatine sunmak ve zaman kazanmak için tüm bekleyen sorunları bulabilir. Centerstone araştırma enstitüsü tarafından yürütülen bir çalışma, EHR verilerinin tahmine dayalı modellemesinin, bireyselleştirilmiş tedavi yanıtını tahmin etmede %70-72 doğruluk sağladığını bulmuştur. Bu yöntemler, çevrimiçi sağlık kayıtlarının miktarının her beş yılda bir iki katına çıkması nedeniyle faydalıdır. Doktorlar tüm bu verileri manuel olarak işleyebilecek bant genişliğine sahip değildir. AI, doktorların hastalarını tedavi etmelerine yardımcı olmak için bu verilerden yararlanabilir.

İlaç etkileşimleri

Doğal dil işlemedeki gelişmeler, tıp literatüründe ilaç-ilaç etkileşimlerini 26 Ocak 2021 tarihinde Wayback Machine sitesinde arşivlendi. tanımlayan algoritmaların geliştirilmesine yol açtı. İlaç-ilaç etkileşimleri aynı anda birden fazla ilaç alan kişiler için tehdit oluşturmaktadır. Alınan ilaç sayısı arttıkça tehlike artmaktadır. Bilinen veya şüphelenilen tüm ilaç-ilaç etkileşimlerini izlemenin zorluğunu gidermek için, etkileşen ilaçlar ve tıbbi literatürden olası etkileri hakkında bilgi çıkarmak için makine öğrenimi algoritmaları oluşturulmuştur.

Çıkarımlar

AI kullanımının tıbbi maliyetleri azaltacağı öngörülmektedir. Çünkü tanıda daha fazla doğruluk ve tedavi planında daha iyi tahminler ayrıca hastalığın önlenmesi daha fazla olacaktır.

Yapay zeka için gelecekteki diğer kullanımlar, hareket etmede, konuşmada veya omurilik yaralanmasında sorun yaşayanlara yardımcı olacağı tahmin edilen Beyin-Bilgisayar Arayüzlerini (Brain-computer Interfaces: BCI) içerir. BCI'ler, bu hastaların sinirsel aktiveleri çözerek hareket etmelerine ve iletişim kurmalarına yardımcı olmak için yapay zekayı kullanacaktır.

Yapay zeka, tıbbi görüntüleme, otomatik klinik karar verme, teşhis, prognoz ve daha fazlası gibi sağlık hizmetleri alanlarında önemli gelişmelere yol açmıştır. AI, tıbbın çeşitli alanlarında devrim yapma yeteneğine sahip olmasına rağmen sınırlamaları vardır. Bir yatak başı hekiminin yerini alamaz.

Sağlık yasal, etik, düzenleyici, ekonomik ve sosyal kısıtlamalara bağlı karmaşık bir bilimdir. Yapay zekanın sağlık hizmetlerinde tam olarak uygulanabilmesi için "vatandaş ve toplum da dahil olmak üzere çok sayıda ortakla küresel ortamda paralel değişiklikler" olması gerekmektedir.

Gelişmekte olan ülkelere yönelik bakımı genişletmek

Yapay zeka, daha az doktorun halk tarafından erişilebilir olduğu ülkelerde daha fazla insanı doğru teşhis etme yeteneklerini genişletmeye devam etmektedir. SpaceX ve Raspberry Pi Foundation gibi birçok yeni teknoloji şirketi, gelişmekte olan ülkelerin bilgisayarlara ve internete erişmesini sağlamaktadır. Yapay zekanın internet üzerinden artan yetenekler ile, gelişmiş makine öğrenimi algoritmaları, hastaların daha önce hayatı tehdit eden bir hastalığı olup olmadığını bilmelerinin bir yolu olmadığında doğru bir şekilde teşhis almalarına olanak sağlayabilir.

Kaynaklara sahip olmayan gelişmekte olan ülkelerde yapay zeka kullanmak dış kaynak ihtiyacını azaltacak ve hasta bakımını iyileştirebilecektir. Yapay zeka, yalnızca sağlık hizmetlerinin kısıtlı olduğu alanlarda hastanın teşhisine izin vermekle kalmamaktadır. Aynı zamanda bir hasta için en iyi tedaviyi bulmak amacıyla dosyalara kaynak sağlayarak iyi bir hasta deneyimi sağlamaktadır. Yapay zekanın seyri ilerledikçe ayarlama yeteneği, hastanın tedavisini kendisi için neyin işe yaradığına göre değiştirmesine de olanak tanımaktadır. Gelişmekte olan ülkelerde neredeyse var olmayan kişiselleştirilmiş bakım seviyesi konusunda yardımcı olacaktır.

Etik kaygılar

Veri toplama

Makine öğrenimini etkili bir şekilde eğitmek ve yapay zekayı sağlık hizmetlerinde kullanmak için büyük miktarda veri toplanması gerekmektedir. Bununla birlikte, bu verilerin elde edilmesi çoğu durumda hasta gizliliğine mal olur ve toplum tarafından iyi karşılanmamaktadır. Örneğin, İngiltere'de yapılan bir ankete göre, nüfusun %63'ünün yapay zeka teknolojisini geliştirmek için kişisel verilerini paylaşmaktan rahatsız olduğunu tahmin etmektedir. Gerçek, erişilebilir hasta verilerinin az bulunması, sağlık hizmetlerinde daha fazla yapay zeka geliştirme ve dağıtmanın ilerlemesini engelleyen bir durum olmaktadır.

Otomasyon

Yakın zamanda yapılan bir araştırmaya göre, yapay zeka, önümüzdeki 10 ila 20 yıl içinde İngiltere’deki işlerin %35'inin yerini alabilir. Bununla birlikte yapay zekanın şu ana kadar herhangi bir sağlık hizmeti işini ortadan kaldırmadığı sonucuna varılmıştır. Yapay zeka sağlıkla ilgili işleri otomatikleştirirse, otomasyona en duyarlı işler, doktordan hasta etkileşimine kadar uğraşanların aksine dijital bilgi, radyoloji ve patoloji ile ilgilenenler olacaktır.

Otomasyon, doktorların yanında fayda da sağlayabilir. Sağlık hizmetlerinde yapay zekadan yararlanan doktorların, bunu yapmayan doktorlara ve tıbbi kurumlara göre daha kaliteli sağlık hizmeti sunması beklenmektedir. AI muhtemelen sağlık çalışanlarının yerini tamamen almayacaktır. Aksine hastalarına bakmaları için onlara daha fazla zaman tanıyacaktır. AI, sağlık çalışanlarının tükenmişliğini ve bilişsel aşırı yüklenmesini önleyebilir. AI daha iyi iletişim, iyileştirilmiş sağlık hizmeti kalitesi ve özerklik içeren toplumsal hedeflerin ilerlemesine katkıda bulunacaktır.

Önyargı

AI, yalnızca girdi olarak aldığı veriler üzerinden karar aldığından, bu verilerin doğru hasta demografisini temsil etmesi önemlidir. Hastane ortamında hastalar, tahmine dayalı algoritmaların nasıl oluşturulduğu veya kalibre edildiği konusunda tam bilgiye sahip değildir. Bu nedenle, bu tıp kurumları, algoritmalarını azınlıklara karşı ayrımcılık yapacak şekilde kodlayabilir. İdeal bakım sağlamak yerine kârlara öncelik verebilmektedir.

Bu algoritmalarda sosyal ve sağlık hizmetlerindeki eşitsizlikleri artırabilecek istenmeyen önyargılar da olabilir. Yapay zekanın kararları, girdi verilerinin doğrudan bir yansıması olduğu için, aldığı verilerin hasta demografisinin doğru bir şekilde temsili olması gerekmektedir. Beyaz erkekler tıbbi veri setlerinde fazlasıyla temsil edilmektedir. Bu nedenle, azınlıklar hakkında en az hasta verisine sahip olmak, yapay zekanın çoğunluk nüfus için daha doğru tahminlerde bulunmalarına ve azınlık nüfusları için istenmeyen daha kötü tıbbi sonuçlara yol açabilir. Azınlık toplumlarından veri toplamak da tıbbi ayrımcılığa yol açabilir. Örneğin İnsan Bağışıklık Yetmezliği Virüsü (HIV: Human Immunodeficiency Virus), azınlık toplulukları arasında yaygın bir virüstür. HIV hastalara karşı ayrımcılık yapmak için kullanılabilir. Bununla birlikte, bu önyargılar dikkatli bir uygulama ve temsili verilerin düzenli bir şekilde toplanması ile ortadan kaldırılabilir.

Ayrıca bakınız

• Derin öğrenme yazılımlarının karşılaştırılması
• Yapay zekâ

Kaynakça

1. ^ ^{a b} Luca M, Kleinberg J, Mullainathan S (January–February 2016). "Algorithms Need Managers, Too 20 Aralık 2021 tarihinde Wayback Machine sitesinde .". Harvard Business Review. Retrieved 2018-10-08.
2. ^ Coiera E (1997). Guide to medical informatics, the Internet and telemedicine. Chapman & Hall, Ltd.
3. ^ Lorenzetti L (5 April 2016). "Here's How IBM Watson Health is Transforming the Health Care Industry" 23 Mayıs 2021 tarihinde Wayback Machine sitesinde .. Fortune.
4. ^ Bloch-Budzier S (22 November 2016). "NHS using Google technology to treat patients" 22 Kasım 2021 tarihinde Wayback Machine sitesinde ..
5. ^ Kent J (2018-08-08). "Providers Embrace Predictive Analytics for Clinical, Financial Benefits" 19 Kasım 2021 tarihinde Wayback Machine sitesinde .. HealthITAnalytics. Retrieved 2019-01-16.
6. ^ Lee K (4 January 2016). "Predictive analytics in healthcare helps improve OR utilization" 23 Mayıs 2021 tarihinde Wayback Machine sitesinde .. SearchHealthIT. Retrieved 2019-01-16.
7. ^ Lindsay RK, Buchanan BG, Feigenbaum EA, Lederberg J (1993). "DENDRAL: a case study of the first expert system for scientific hypothesis formation" 23 Mayıs 2021 tarihinde Wayback Machine sitesinde .. Artificial Intelligence. 61 (2): 209–261. doi:10.1016/0004-3702(93)90068-m 23 Mayıs 2021 tarihinde Wayback Machine sitesinde .. hdl 2027.42/30758 23 Mayıs 2021 tarihinde Wayback Machine sitesinde ..
8. ^ Clancey WJ, Shortliffe EH (1984). Readings in medical artificial intelligence: the first decade. Addison-Wesley Longman Publishing Co., Inc.
9. ^ Bruce G, Buchanan BG, Shortliffe ED (1984). Rule-based expert systems: the MYCIN experiments of the Stanford Heuristic Programming Project.
10. ^ Miller RA (1994). "Medical diagnostic decision support systems--past, present, and future: a threaded bibliography and brief commentary" 16 Nisan 2019 tarihinde Wayback Machine sitesinde .. Journal of the American Medical Informatics Association. 1 (1): 8–27. doi:10.1136/jamia.1994.95236141 16 Nisan 2019 tarihinde Wayback Machine sitesinde .. PMC 116181 16 Nisan 2019 tarihinde Wayback Machine sitesinde .. PMID 7719792 23 Mayıs 2021 tarihinde Wayback Machine sitesinde ..
11. ^ Adlassnig KP (July 1980). "A fuzzy logical model of computer-assisted medical diagnosis" 29 Ağustos 2017 tarihinde Wayback Machine sitesinde . (PDF). Methods of Information in Medicine. 19 (3): 141–8. doi:10.1055/s-0038-1636674 23 Mayıs 2021 tarihinde Wayback Machine sitesinde .. PMID 6997678 23 Mayıs 2021 tarihinde Wayback Machine sitesinde ..
12. ^ Reggia JA, Peng Y (September 1987). "Modeling diagnostic reasoning: a summary of parsimonious covering theory" 6 Mayıs 2021 tarihinde Wayback Machine sitesinde .. Computer Methods and Programs in Biomedicine. 25 (2): 125–34. doi:1 0.1016/0169-2607(87)90048-4. PMC 2244953 6 Mayıs 2021 tarihinde Wayback Machine sitesinde .. PMID 3315427 23 Mayıs 2021 tarihinde Wayback Machine sitesinde ..
13. ^ Baxt WG (December 1991). "Use of an artificial neural network for the diagnosis of myocardial infarction". Annals of Internal Medicine. 115 (11): 843–8. doi:10.7326/0003-4819-115-11-843. PMID 1952470 17 Mart 2021 tarihinde Wayback Machine sitesinde ..
14. ^ Maclin PS, Dempsey J, Brooks J, Rand J (February 1991). "Using neural networks to diagnose cancer". Journal of Medical Systems. 15 (1): 11–9. doi:10.1007/bf00993877. PMID 1748845 25 Ekim 2020 tarihinde Wayback Machine sitesinde .. 10189561.
15. ^ Koomey J, Berard S, Sanchez M, Wong H (March 2010). "Implications of historical trends in the electrical efficiency of computing". IEEE Annals of the History of Computing. 33 (3): 46–54. CiteSeerX 10.1.1.323.9505 23 Mayıs 2021 tarihinde Wayback Machine sitesinde .. doi:10.1109/MAHC.2010.28. S2CID 8305701.
16. ^ Barnes B, Dupré J (2009). Genomes and what to make of them. University of Chicago Press.
17. ^ Jha AK, DesRoches CM, Campbell EG, Donelan K, Rao SR, Ferris TG, et al. (April 2009). "Use of electronic health records in U.S. hospitals". The New England Journal of Medicine. 360 (16): 1628–38. doi:10.1056/NEJMsa0900592. PMID 19321858 23 Mayıs 2021 tarihinde Wayback Machine sitesinde .. S2CID 19914056.
18. ^ Banko M, Brill E (July 2001). (PDF). Proceedings of the 39th Annual Meeting on Association for Computational Linguistics. Association for Computational Linguistics: 26–33. Archived from the original (PDF) on 2019-04-07. Retrieved 2019-04-07.
19. ^ Dougherty G (2009). Digital image processing for medical applications. Cambridge University Press.
20. ^ "Artificial Intelligence and Machine Learning for Healthcare" 17 Ağustos 2020 tarihinde Wayback Machine sitesinde .. Sigmoidal. 21 December 2017.
21. ^ Hibler, Brian P.; Qi, Qiaochu; Rossi, Anthony M. (March 2016). "Current state of imaging in dermatology" 23 Mayıs 2021 tarihinde Wayback Machine sitesinde .. Seminars in Cutaneous Medicine and Surgery. 35 (1): 2–8. doi:10.12788/j.sder.2016.001. ISSN 1085-5629. PMID 26963110 23 Mayıs 2021 tarihinde Wayback Machine sitesinde ..
22. ^ "Image acquisition in dermatology | DermNet NZ" 23 Mayıs 2021 tarihinde Wayback Machine sitesinde .. dermnetnz.org. Retrieved 2021-02-23.
23. ^ Chan, Stephanie; Reddy, Vidhatha; Myers, Bridget; Thibodeaux, Quinn; Brownstone, Nicholas; Liao, Wilson (2020-04-06). "Machine Learning in Dermatology: Current Applications, Opportunities, and Limitations". Dermatology and Therapy. 10 (3): 365–386. doi:10.1007/s13555-020-00372-0. ISSN 2193-8210. PMC 7211783. PMID 32253623 23 Mayıs 2021 tarihinde Wayback Machine sitesinde ..
24. ^ Han, Seung Seog; Moon, Ik Jun; Lim, Woohyung; Suh, In Suck; Lee, Sam Yong; Na, Jung-Im; Kim, Seong Hwan; Chang, Sung Eun (2020-01-01). "Keratinocytic Skin Cancer Detection on the Face Using Region-Based Convolutional Neural Network". JAMA Dermatology. 156 (1): 29. doi:10.1001/jamadermatol.2019.3807. ISSN 2168-6068. PMC 6902187. PMID 31799995.
25. ^ Esteva, Andre; Kuprel, Brett; Novoa, Roberto A.; Ko, Justin; Swetter, Susan M.; Blau, Helen M.; Thrun, Sebastian (February 2017). "Dermatologist-level classification of skin cancer with deep neural networks" 25 Mayıs 2021 tarihinde Wayback Machine sitesinde .. Nature. 542 (7639): 115–118. doi:10.1038/nature21056. ISSN 1476-4687 24 Nisan 2021 tarihinde Wayback Machine sitesinde ..
26. ^ Noyan, Mehmet Alican; Durdu, Murat; Eskiocak, Ali Haydar (2020-10-27). "TzanckNet: a convolutional neural network to identify cells in the cytology of erosive-vesiculobullous diseases". Scientific Reports. 10 (1): 18314. doi:10.1038/s41598-020-75546-z. ISSN 2045-2322.
27. ^ ^{a b} 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" 15 Ağustos 2021 tarihinde Wayback Machine sitesinde .. Journal of Medical Internet Research. 21 (10): e16356. doi:10.2196/16356. PMC 6914250. PMID31674923 2 Şubat 2021 tarihinde Wayback Machine sitesinde .. 207818415.
28. ^ ^{a b c} Hosny A, Parmar C, Quackenbush J, Schwartz LH, Aerts HJ (August 2018). "Artificial intelligence in radiology" 11 Kasım 2020 tarihinde Wayback Machine sitesinde .. Nature Reviews. Cancer. 18 (8): 500–510. doi:10.1038/s41568-018-0016-5. PMC 6268174 11 Kasım 2020 tarihinde Wayback Machine sitesinde .. PMID 29777175 21 Ocak 2021 tarihinde Wayback Machine sitesinde ..
29. ^ Patcas R, Bernini DA, Volokitin A, Agustsson E, Rothe R, Timofte R (January 2019). "Applying artificial intelligence to assess the impact of orthognathic treatment on facial attractiveness and estimated age". International Journal of Oral and Maxillofacial Surgery. 48 (1): 77–83. doi:10.1016/j.ijom.2018.07.010. PMID 30087062 27 Mayıs 2021 tarihinde Wayback Machine sitesinde ..
30. ^ Patcas R, Timofte R, Volokitin A, Agustsson E, Eliades T, Eichenberger M, Bornstein MM (August 2019). "Facial attractiveness of cleft patients: a direct comparison between artificial-intelligence-based scoring and conventional rater groups". European Journal of Orthodontics. 41 (4): 428–433. doi:10.1093/ejo/cjz007. PMID 30788496 27 Mayıs 2021 tarihinde Wayback Machine sitesinde .. S2CID 73507799.
31. ^ "Computer learns to detect skin cancer more accurately than doctors" 27 Mayıs 2021 tarihinde Wayback Machine sitesinde .. The Guardian. 29 May 2018.
32. ^ Kobie N (1 January 2020). "DeepMind's new AI can spot breast cancer just as well as your doctor" 27 Mayıs 2021 tarihinde Wayback Machine sitesinde .. Wired UK. Wired. Retrieved 1 January 2020.
33. ^ McKinney SM, Sieniek M, Godbole V, Godwin J, Antropova N, Ashrafian H, et al. (January 2020). "International evaluation of an AI system for breast cancer screening" 27 Mayıs 2021 tarihinde Wayback Machine sitesinde .. Nature. 577 (7788): 89–94. Bibcode:2020Natur.577...89M 27 Mayıs 2021 tarihinde Wayback Machine sitesinde .. doi:10.1038/s41586-019-1799-6. PMID 31894144 27 Mayıs 2021 tarihinde Wayback Machine sitesinde .. S2CID 209523468.
34. ^ "Artificial intelligence identifies prostate cancer with near-perfect accuracy" 16 Aralık 2020 tarihinde Wayback Machine sitesinde .. EurekAlert!. 27 July 2020. Retrieved 29 July 2020.
35. ^ Pantanowitz L, Quiroga-Garza GM, Bien L, Heled R, Laifenfeld D, Linhart C, et al. (1 August 2020). "An artificial intelligence algorithm for prostate cancer diagnosis in whole slide images of core needle biopsies: a blinded clinical validation and deployment study" 19 Ekim 2020 tarihinde Wayback Machine sitesinde .. The Lancet Digital Health. 2 (8): e407–e416. doi:10.1016/S2589-7500(20)30159-X. ISSN 2589-7500. PMID 33328045 27 Mayıs 2021 tarihinde Wayback Machine sitesinde .. Retrieved 17 August 2020.
36. ^ Graham S, Depp C, Lee EE, Nebeker C, Tu X, Kim HC, Jeste DV (November 2019). "Artificial Intelligence for Mental Health and Mental Illnesses: an Overview". Current Psychiatry Reports. 21 (11): 116. doi:10.1007/s11920-019-1094-0. PMC 7274446. PMID 31701320 27 Mayıs 2021 tarihinde Wayback Machine sitesinde ..
37. ^ 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" 31 Ağustos 2019 tarihinde Wayback Machine sitesinde .. JMIR Mental Health. 5 (4): e64. doi:10.2196/mental.9782. PMC 6315222 31 Ağustos 2019 tarihinde Wayback Machine sitesinde .. PMID 30545815 27 Mayıs 2021 tarihinde Wayback Machine sitesinde ..
38. ^ Mistry P (September 2019). "Artificial intelligence in primary care". The British Journal of General Practice. 69 (686): 422–423. doi:10.3399/bjgp19X705137. PMC 6715470. PMID 31467001 27 Mayıs 2021 tarihinde Wayback Machine sitesinde ..
39. ^ ^{a b} 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". Journal of Medical Internet Research. 21 (3): e12802. doi:10.2196/12802. PMC 6446158. PMID 30892270 27 Mayıs 2021 tarihinde Wayback Machine sitesinde .. 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. doi:10.1055/s-0039-1677901. PMC 6697547. PMID 31022751 27 Mayıs 2021 tarihinde Wayback Machine sitesinde ..
41. ^ Kocaballi AB, Ijaz K, Laranjo L, Quiroz JC, Rezazadegan D, Tong HL, et al. (November 2020). "Envisioning an artificial intelligence documentation assistant for future primary care consultations: A co-design study with general practitioners". Journal of the American Medical Informatics Association. 27 (11): 1695–1704. doi:10.1093/jamia/ocaa131. PMC 7671614. PMID 32845984 27 Mayıs 2021 tarihinde Wayback Machine sitesinde ..
42. ^ ^{a b c d} Liang H, Tsui BY, Ni H, Valentim CC, Baxter SL, Liu G, et al. (March 2019). "Evaluation and accurate diagnoses of pediatric diseases using artificial intelligence" 11 Kasım 2020 tarihinde Wayback Machine sitesinde .. Nature Medicine. 25 (3): 433–438. doi:10.1038/s41591-018-0335-9. PMID 30742121 27 Mayıs 2021 tarihinde Wayback Machine sitesinde .. 59945159.
43. ^ Hamet P, Tremblay J (April 2017). "Artificial intelligence in medicine". Metabolism. Insights Into the Future of Medicine: Technologies, Concepts, and Integration. 69S: S36–S40. doi:10.1016/j.metabol.2017.01.011. PMID 28126242 14 Nisan 2021 tarihinde Wayback Machine sitesinde ..
44. ^ ^{a b} Pivovarov R, Elhadad N (September 2015). "Automated methods for the summarization of electronic health records" 26 Mayıs 2021 tarihinde Wayback Machine sitesinde .. Journal of the American Medical Informatics Association. 22 (5): 938–47. doi:10.1093/jamia/ocv032. PMC 4986665 26 Mayıs 2021 tarihinde Wayback Machine sitesinde .. PMID 25882031. S2CID 1452.
45. ^ Yang M (2020-08-19). "Painful conversations: Therapeutic chatbots and public capacities". Communication and the Public. 5 (1–2): 35–44. doi:10.1177/2057047320950636. PMC 7441483
46. ^ ^{a b c} Pouke M, Häkkilä J (December 2013). "Elderly healthcare monitoring using an avatar-based 3D virtual environment". International Journal of Environmental Research and Public Health. 10 (12): 7283–98. doi:10.3390/ijerph10127283. PMC 3881167. PMID 24351747. S2CID 18535954.
47. ^ ^{a b c d e} Ferrante FE (June 2005). "Evolving telemedicine/ehealth technology". Telemedicine Journal and E-Health. 11 (3): 370–83. doi:10.1089/tmj.2005.11.370. PMID 16035932.
48. ^ ^{a b 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". International Journal of Interactive Multimedia and Artificial Intelligence. 4 (7): 8–12. doi:10.9781/ijimai.2017.03.001. ISSN 1989-1660.
49. ^ ^{a b 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. doi:10.1007/s10916-007-9104-x. PMID 18333403. S2CID 11082133.
50. ^ Bennett CC, Doub TW, Selove R (April 2012). "EHRs connect research and practice: Where predictive modeling, artificial intelligence, and clinical decision support intersect". Health Policy and Technology. 1 (2): 105–114. arXiv:1204.4927. doi:10.1016/j.hlpt.2012.03.001. ISSN 2211-8837. S2CID 25022446.
51. ^ 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. doi:10.1371/journal.pone.0163480. PMC 5047471. PMID 27695078.
52. ^ 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". Artificial Intelligence in Medicine. 76: 7–15. doi:10.1016/j.artmed.2017.01.004. PMC 6438384. PMID 28363289.
53. ^ 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". Journal of the American Medical Informatics Association. 27 (1): 39–46. doi:10.1093/jamia/ocz101. PMC 6913215. PMID 31390003.
54. ^ Zhou D, Miao L, He Y (May 2018). "Position-aware deep multi-task learning for drug-drug interaction extraction" 27 Nisan 2019 tarihinde Wayback Machine sitesinde . (PDF). Artificial Intelligence in Medicine. 87: 1–8.
55. ^ 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.
56. ^ Bresnick J (30 April 2018). "Top 12 Ways Artificial Intelligence Will Impact Healthcare" 23 Mayıs 2021 tarihinde Wayback Machine sitesinde .. HealthITAnalytics.
57. ^ 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" 22 Ocak 2021 tarihinde Wayback Machine sitesinde .. Cureus. 12 (5): e8041. doi:10.7759/cureus.8041. PMC 7282357. PMID 32528777
58. ^ Lovis C (November 2019). "Unlocking the Power of Artificial Intelligence and Big Data in Medicine" 1 Aralık 2020 tarihinde Wayback Machine sitesinde .. Journal of Medical Internet Research. 21 (11): e16607. doi:10.2196/16607. PMC 6874800. PMID 31702565.
59. ^ ^{a b} 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. doi:10.1145/3192714.3192834. ISBN 978-1-4503-5651-0. S2CID 49863409.
60. ^ ^{a b} Guo J, Li B (2018-08-01). "The Application of Medical Artificial Intelligence Technology in Rural Areas of Developing Countries". Health Equity. 2 (1): 174–181. doi:10.1089/heq.2018.0037. PMC 6110188. PMID 30283865.
61. ^ 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". Journal of Forensic Sciences. 45 (5): 1154–8. doi:10.1520/JFS14845J. PMID 11005196.
62. ^ ^{a b} Davenport T, Kalakota R (June 2019). "The potential for artificial intelligence in healthcare" 5 Mayıs 2021 tarihinde Wayback Machine sitesinde .. Future Healthcare Journal. 6 (2): 94–98. doi:10.7861/futurehosp.6-2-94. PMC 6616181. PMID 31363513.
63. ^ U.S News Staff (2018-09-20). "Artificial Intelligence Continues to Change Health Care". US News.
64. ^ "AI for Health CareArtificial Intelligence for Health Care". GrayRipples.com | AI | iOS | Android | PowerApps. 2020-03-04. Retrieved 2020-11-04.
65. ^ Baric-Parker J, Anderson EE (November 2020). "Patient Data-Sharing for AI: Ethical Challenges, Catholic Solutions". The Linacre Quarterly. 87 (4): 471–481. doi:10.1177/0024363920922690. PMC 7551527. PMID 33100395.
66. ^ ^{a b} Nordling L (September 2019). "A fairer way forward for AI in health care". Nature. 573 (7775): S103–S105.
67. ^ 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. 27 (3): 491–497. doi:10.1093/jamia/ocz192. PMC 7647243. PMID 31682262.