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.
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
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
Kaynakça
- ^ 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.
- ^ Coiera E (1997). Guide to medical informatics, the Internet and telemedicine. Chapman & Hall, Ltd.
- ^ 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.
- ^ Bloch-Budzier S (22 November 2016). "NHS using Google technology to treat patients" 22 Kasım 2021 tarihinde Wayback Machine sitesinde ..
- ^ 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.
- ^ 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.
- ^ 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 ..
- ^ Clancey WJ, Shortliffe EH (1984). Readings in medical artificial intelligence: the first decade. Addison-Wesley Longman Publishing Co., Inc.
- ^ Bruce G, Buchanan BG, Shortliffe ED (1984). Rule-based expert systems: the MYCIN experiments of the Stanford Heuristic Programming Project.
- ^ 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 ..
- ^ 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 ..
- ^ 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 ..
- ^ 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 ..
- ^ 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.
- ^ 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.
- ^ Barnes B, Dupré J (2009). Genomes and what to make of them. University of Chicago Press.
- ^ 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.
- ^ 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.
- ^ Dougherty G (2009). Digital image processing for medical applications. Cambridge University Press.
- ^ "Artificial Intelligence and Machine Learning for Healthcare" 17 Ağustos 2020 tarihinde Wayback Machine sitesinde .. Sigmoidal. 21 December 2017.
- ^ 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 ..
- ^ "Image acquisition in dermatology | DermNet NZ" 23 Mayıs 2021 tarihinde Wayback Machine sitesinde .. dermnetnz.org. Retrieved 2021-02-23.
- ^ 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 ..
- ^ 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.
- ^ 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 ..
- ^ 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.
- ^ 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.
- ^ 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 ..
- ^ 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 ..
- ^ 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.
- ^ "Computer learns to detect skin cancer more accurately than doctors" 27 Mayıs 2021 tarihinde Wayback Machine sitesinde .. The Guardian. 29 May 2018.
- ^ 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.
- ^ 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.
- ^ "Artificial intelligence identifies prostate cancer with near-perfect accuracy" 16 Aralık 2020 tarihinde Wayback Machine sitesinde .. EurekAlert!. 27 July 2020. Retrieved 29 July 2020.
- ^ 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.
- ^ 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 ..
- ^ 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 ..
- ^ 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 ..
- ^ 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.
- ^ 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 ..
- ^ 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 ..
- ^ 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.
- ^ 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 ..
- ^ 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.
- ^ 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
- ^ 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.
- ^ 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.
- ^ 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.
- ^ 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.
- ^ 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.
- ^ 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.
- ^ 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.
- ^ 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.
- ^ 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.
- ^ 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.
- ^ Bresnick J (30 April 2018). "Top 12 Ways Artificial Intelligence Will Impact Healthcare" 23 Mayıs 2021 tarihinde Wayback Machine sitesinde .. HealthITAnalytics.
- ^ 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
- ^ 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.
- ^ 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.
- ^ 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.
- ^ 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.
- ^ 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.
- ^ U.S News Staff (2018-09-20). "Artificial Intelligence Continues to Change Health Care". US News.
- ^ "AI for Health CareArtificial Intelligence for Health Care". GrayRipples.com | AI | iOS | Android | PowerApps. 2020-03-04. Retrieved 2020-11-04.
- ^ 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.
- ^ a b Nordling L (September 2019). "A fairer way forward for AI in health care". Nature. 573 (7775): S103–S105.
- ^ 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.
wikipedia, wiki, viki, vikipedia, oku, kitap, kütüphane, kütübhane, ara, ara bul, bul, herşey, ne arasanız burada,hikayeler, makale, kitaplar, öğren, wiki, bilgi, tarih, yukle, izle, telefon için, turk, türk, türkçe, turkce, nasıl yapılır, ne demek, nasıl, yapmak, yapılır, indir, ücretsiz, ücretsiz indir, bedava, bedava indir, mp3, video, mp4, 3gp, jpg, jpeg, gif, png, resim, müzik, şarkı, film, film, oyun, oyunlar, mobil, cep telefonu, telefon, android, ios, apple, samsung, iphone, xiomi, xiaomi, redmi, honor, oppo, nokia, sonya, mi, pc, web, computer, bilgisayar
Saglik hizmetlerinde yapay zeka karmasik tibbi ve saglik hizmetleri verilerinin analizinde insan bilisini taklit etmek icin makine ogrenimi algoritmalarini yazilimlarini veya yapay zekayi AI tanimlamak icin kullanilan kapsamli bir terimdir Ozellikle AI bilgisayar algoritmalarinin sonuclari yalnizca giris verilerine gore yaklasik olarak tahmin etme yetenegidir Bir bilgisayar yazilimi ile kemik yasini otomatik olarak hesaplanmasiyla bir elin rontgeni Yapay zeka teknolojisini saglik hizmetlerinin geleneksel teknolojilerinden ayiran sey veri toplama isleme ve son kullaniciya iyi tanimlanmis bir cikti verme yetenegidir AI bunu makine ogrenimi algoritmalari ve derin ogrenme yolu ile yapmaktadir Bu algoritmalar davranis kaliplarini taniyabilir ve kendi mantigini olusturabilir Yararli sezgi ve tahminler elde etmek icin makine ogrenimi modellerinin cok miktarda girdi verisi kullanilarak egitilmesi gerekmektedir Yapay zeka algoritmalari iki sekilde insanlardan farkli davranir 1 algoritmalar gercektir Bir hedef belirlendiginde algoritma giris verilerinden ogrenebilir Yalnizca ne yapmak icin programlandigini anlayabilir ve 2 derin ogrenme algoritmalari kara kutulardir Algoritmalar son derece hassas bir sekilde tahminde bulunabilir Ancak kullanilan algoritma turu ve verileri disinda kararlarinin arkasindaki mantiga cok az veya anlasilmaz aciklama sunabilir Saglikla ilgili AI uygulamalarinin ilk amaci onleme veya tedavi teknikleri ile hasta sonuclari arasindaki iliskileri analiz etmektir Tani surecleri ve ve bakim gibi uygulamalar icin yapay zeka programlari uygulanmaktadir AI algoritmalari hastaligin onlenmesi ve teshisi icin elektronik saglik kayitlari araciligiyla buyuk miktarda veriyi analiz etmek icin de kullanilabilir IBM ve Google gibi buyuk teknoloji sirketleri de saglik hizmetleri icin AI algoritmalari gelistirmistir Ayrica hastaneler maliyet tasarrufunu hasta memnuniyetini artirmak personel is gucu ihtiyaclarini karsilamak ve girisimleri desteklemek icin AI yazilimlarina ihtiyac duyabilir Su anda Amerika Birlesik Devletleri saglik hizmetlerinde yapay zekanin gelisimini ilerletmek icin milyarlarca dolar yatirim yapmaktadir Sirketler yatili hasta sayisini ve kalis suresini azaltarak personel seviyelerini uygun hale getirmektedir Bu sayede islerinin iyilestirilmesine yardimci teknolojiler gelistirilmektedir Yapay zekanin saglik hizmetlerinin uygulamalarinda yaygin kullanimi yeni oldugu icin veri gizliligi islerin otomasyonu ve temsil onyargilari gibi essiz birkac etik kaygi vardir Tarihce1960 1970 lerde yapilmaya baslanan arastirmalar sonucu Dendral olarak bilinen ilk problem cozme programi veya uzman sistemi uretilmistir Bu sistem organik kimya uygulamalari icin tasarlanmis olsa da yapay zekanin tiptaki en onemli erken kullanimlarindan biri olarak kabul edilen MYCIN 21 Nisan 2021 tarihinde Wayback Machine sitesinde arsivlendi adli bir sisteme temel olusturmustur 1980 1990 larda mikrobilgisayarin yayginlasmasini ve yeni ag baglantisi duzeylerini getirmistir Bu surede arastirmacilar ve gelistiriciler saglik hizmetlerinde yapay zeka sistemlerinin mukemmel verilerini barindiracak doktorlarin uzmanligi uzerine insa edilebilecek sekilde tasarlanmasi gerektigini kabul etmistir Bulanik set teorisini 16 Nisan 2021 tarihinde Wayback Machine sitesinde arsivlendi Bayes aglarini 18 Eylul 2020 tarihinde Wayback Machine sitesinde arsivlendi ve yapay sinir aglarini 26 Mayis 2021 tarihinde Wayback Machine sitesinde arsivlendi iceren yaklasimlar saglik hizmetlerinde akilli bilgi islem sistemlerine uygulanmistir Bu yarim yuzyillik donemde meydana gelen ve yapay zekanin saglik hizmetleri ile ilgili uygulamalarinin buyumesini saglayan tibbi ve teknolojik gelismeler sunlardir Bilgi islem gucundeki 28 Mayis 2021 tarihinde Wayback Machine sitesinde arsivlendi iyilestirmeler daha hizli veri toplama ve veri isleme ile sonuclanmaktadir Genomik siralama veri tabanlarinin buyumesi Elektronik saglik kayit 4 Mayis 2021 tarihinde Wayback Machine sitesinde arsivlendi sistemlerinin yaygin olarak uygulanmasi Dogal dil isleme ve bilgisayar gorusundeki 4 Mayis 2021 tarihinde Wayback Machine sitesinde arsivlendi gelismeler makinelerin insan algisal sureclerini cogaltmasini saglamaktadir artirilmistir Nadir hastaliklarda derin ogrenme tekniklerinde ve veri kayitlarinda iyilestirmeler yapilmistir Mevcut ArastirmaDermatoloji Dermatoloji goruntulemesi cok olan bir uzmanlik alanidir goruntu islemeye guclu bir sekilde baglanmistir Bu nedenle dermatoloji ile derin ogrenme arasinda dogal bir uyum bulunmustur Dermatolojide 3 ana goruntuleme turu vardir Bunlar baglamsal goruntuler makro goruntuler mikro goruntulerdir Her yontem icin derin ogrenme buyuk ilerleme gostermistir Han ve arkadaslari yuz fotograflarindan keratinositik cilt kanseri tespitini gostermistir Esteva ve arkadaslari lezyon goruntulerinden cilt kanserinin dermatolog duzeyinde siniflandirildigini gostermistir Noyan ve arkadaslari mikroskobik Tzanck smear 22 Nisan 2021 tarihinde Wayback Machine sitesinde arsivlendi goruntulerinden cilt hucrelerini tanimlamada 94 dogruluk saglayan oldugunu bulmustur Radyoloji Bilgisayarli Tomografi BT ve MR Goruntuleme ile hastalardaki hastaliklari tespit ve teshis etmek icin radyoloji alaninda yapay zeka uzerinde calisilmaktadir Kuzey Amerika Radyoloji Dernegi 24 Subat 2021 tarihinde Wayback Machine sitesinde arsivlendi ne gore radyolojide yapay zekaya odaklanma 2015 2018 yillari arasinda sirasiyla 0 dan 3 e 17 ye ve toplam yayinlarin genel olarak 10 una buyume ile son yillarda hizla artmistir Stanford da yapilan bir calismada ortalama F1 metrik dogruluk ve hatirlamaya dayali istatistiksel bir metrik olan hastalarda zaturreyi denemede yer alan radyologlardan daha iyi tespit edebilecek bir algoritma olusturulmustur Onkolojide goruntuleme sayesinde yapay zeka anormallikleri tespit etmek ve zaman icinde degisimi izlemek icin iyi hizmet verebilmistir Bunlar onkolojik saglikta iki temel faktor olmustur Icometrix QUIBIM Robovision ve UMC Utrecht in IMAGRT si gibi bircok sirket ve satici notr sistemi cesitli hastaliklari tespit etmek icin egitilebilir bir makine ogrenimi platformu saglamak icin kullanilabilir hale gelmistir Bircok profesyonel radyolojide yapay zeka islemenin gelecegi konusunda iyimserdir Cunku gerekli etkilesim suresini azaltabilir ve doktorlarin daha fazla hasta gormesini saglayabilir Kotu veya iyi huylu buyumeleri cozmede egitimli bir goz kadar iyi olmamasina ragmen tibbi goruntulemenin tarihi yeni sistemlerin hem kapasitesinde hem de guvenilirliginde hizli bir ilerleme gostermektedir Radyolojide yapay zeka teknolojisinin ortaya cikmasi uzmanlarin yapamadigi izole vakalarda belirli istatistiksel metrikler ile gelisebildigi icin bazi uzmanlar tarafindan bir tehdit olarak algilanmaktadir Tarama Son gelismeler cene yuz cerrahisinin 25 Nisan 2021 tarihinde Wayback Machine sitesinde arsivlendi sonucunu tanimlamak ve degerlendirmek icin AI kullanimini veya yuz cekiciligi yas gorunumu acisindan yarik damak 13 Nisan 2021 tarihinde Wayback Machine sitesinde arsivlendi tedavisinin degerlendirilmesini onermektedir 2018 yilinda Annals of Oncology 20 Eylul 2020 tarihinde Wayback Machine sitesinde arsivlendi dergisinde yayinlanan bir makalede cilt kanserinin dermatologlara gore bir yapay zeka sistemi derin ogrenme kivrimli sinir agi kullanan tarafindan daha dogru tespit edilebileceginden bahsedilmistir Ortalama olarak insan dermatologlar goruntulerden cilt kanserlerinin 86 6 sini tespit ederken CNN makinesi 95 oraninda dogru bir sekilde tespit etmistir Ocak 2020 de arastirmacilar bir Google DeepMind algoritmasini temel alan ve meme kanseri tespitinde insan uzmanlari gecebilen bir AI sistemi gostermistir Temmuz 2020 de Pittsburgh Universitesi tarafindan bir AI algoritmasinin prostat kanserini 30 Mayis 2021 tarihinde Wayback Machine sitesinde arsivlendi tanimlamada 98 duyarlilik ve 97 ozgulluk ile bugune kadarki en yuksek dogruluga ulastigi bildirilmistir Psikiyatri Psikiyatride AI uygulamalari kavram kanitlama asamasindadir Kanitlarin hizla genisledigi alanlar arasinda sohbet robotlari insan davranisini taklit eden konusma aracilari anksiyete ve depresyon icin calismalar yer almaktadir Birincil bakim Birinci basamak AI teknolojileri icin onemli bir gelisme alani haline gelmistir Birinci basamakta AI karar verme tahmine dayali modelleme ve is analitigini desteklemek icin kullanilmistir Yapay zeka teknolojilerindeki hizli gelismelere ragmen pratisyen hekimlerin yapay zekanin birinci basamaktaki rolune bakis acisi cok sinirli olmaktadir Esas olarak AI idari ve rutin dokumantasyon gorevlerine odaklanmistir Hastalik teshisi Jiang ve arkadaslari 2017 tarafindan yapilan bir makale cesitli hastaliklar icin kullanilan destek vektor makineleri sinir aglari ve karar agaclari gibi yapay zeka teknikleri oldugunu gostermistir Bu tekniklerin her biri bir egitim hedefi olarak tanimlanmaktadir Bu nedenle siniflandirmalar sonuclarla mumkun oldugunca ayni fikirdedir Hastalik tanisinda bazi ozellikleri gostermek icin bu hastaliklarin siniflandirilmasinda kullanilan iki farkli teknik vardir Yapay Sinir Aglari Artificial Neural Networks ANN ve Bayes aglari Bayesian Networks BN kullanilmistir ANN in daha iyi ve diyabet CVD kardiyovaskuler hastaliklar yi daha dogru bir sekilde siniflandirabildigi bulunmustur Yapay Zeka Tibbi Ogrenme Siniflandiricilari Medical Learning Classifiers MLC kullanilarak toplu Electronic Health Records EHR yonlendirilmesi ile hasta tanisinda doktorlara onemli olcude yardimci olabilmistir Tibbi kosullar daha karmasik hale gelmistir Elektronik tibbi kayitlarin insasinin genis bir gecmisi ile vaka cogaltma olasiligi yuksek olabilir Gunumuzde nadir gorulen bir hastaliga sahip birinin herhangi bir hastaliktan muzdarip olan tek kisi olma olasiligi daha dusuktur Bu yuzden benzer semptomatik kokenlerden vakalara erisememe hekimler icin onemli bir engeldir AI nin uygulanmasi sadece benzer vakalari ve tedavileri bulmaya yardimci olmakla kalmayip ayni zamanda ana semptomlari da hesaba katmaktadir Doktorlarin en uygun sorulari sormasina hastanin mumkun olan en dogru tani ve tedaviyi almasina yardimci olur Teletip Kan oksijen seviyelerini olcmek icin nabiz oksimetresi kullanan yasli bir adam Hastalarin uzaktan tedavisine imkan saglayan teletip 14 Nisan 2021 tarihinde Wayback Machine sitesinde arsivlendi uygulamasindaki artis olasi AI uygulamalarinin yukselisini gostermektedir AI sensorler araciligi ile hastalarin bilgilerini izleyerek h bakimlarina uzaktan yardimci olabilir Giyilebilir bir cihaz bir hastanin surekli izlenmesine ve insanlar tarafindan daha az ayirt edilebilen degisiklikleri fark etme yetenegine izin verebilir Bilgiler dikkat edilmesi gereken herhangi bir sorun varsa hekimleri uyaran AI algoritmalari kullanilarak zaten toplanmis olan diger veriler ile karsilastirilabilir Yapay zekanin bir diger uygulamasi da sohbet bot terapisidir Bazi arastirmacilar akil sagligi hizmetleri icin sohbet botlara guvenmenin akil sagligi hizmeti tuketicisi ile bakim saglayicisi bir sohbet botu veya psikolog olabilir arasindaki iliskide olmasi gereken bakimin karsilikliligini ve hesap verebilirligini sunmadigini iddia ediyor Daha uzun bir yasam beklentisi nedeniyle yas ortalamasi yukseldiginden AI yasli nufusa bakmaya yardimci olabilir Cevre ve kisisel sensorler gibi araclar bir kisinin duzenli faaliyetlerini belirleyebilir Bir davranis veya olculen yasamsal bir anormallik varsa bakiciyi uyarabilir Teknoloji yararli olsa da ev duzenlerini haritalamak ve insan etkilesimlerini tespit etmek icin tasarlanmis teknolojiler oldugundan bir kisinin gizliligine saygi gostermek icin izleme sinirlamalari hakkinda tartismalar da vardir Elektronik saglik kayitlari Elektronik saglik kayitlari EHR saglik sektorunun dijitallesmesi ve bilginin yayilmasi icin cok onemlidir Tibbi uygulamalarin yaklasik 80 i EHR kullandigina gore bir sonraki adim kayitlari yorumlamak ve hekimlere yeni bilgiler saglamak icin yapay zekayi kullanmak olacaktir Bir uygulama benzer tibbi terimleri eslestirerek tibbi terimler arasindaki cesitliligi sinirlandiran daha oz raporlar yapmak icin dogal dil islemeyi natural language processing NLP kullanmaktadir Ornegin kalp krizi ve miyokard enfarktusu 26 Mayis 2021 tarihinde Wayback Machine sitesinde arsivlendi terimi ayni anlama gelmektedir Ancak doktorlar kisisel tercihlerine gore birini kullanabilir NLP algoritmalari daha buyuk veri kumelerinin analiz edilebilmesi icin bu farkliliklari birlestirmektedir NLP nin baska bir kullanimi bir doktorun notlarinda tekrarlanmasi nedeniyle gereksiz olan ifadeleri tanimlamak ve okumayi kolaylastirmak icin ilgili bilgileri saklamaktir Bir EHR de icerik duzenlemeleri yapmanin otesinde bireysel bir hastanin kaydini degerlendiren onceki bilgilerine ve aile gecmisine dayanarak bir hastalik riskini tahmin eden AI algoritmalari vardir Genel algoritmalardan biri insanlarin akis semalarini nasil kullandiklarina benzer kararlar veren kural tabanli bir sistemdir Bu sistem buyuk miktarda veri alip belirli gozlemleri sonuclanan tanilara baglayan bir dizi kural olusturmaktadir Boylece algoritma yeni bir hastanin verilerini alabilir Belirli bir duruma veya hastaliga sahip olma olasiligini tahmin etmeye calisabilir Algoritmalar bir hastanin bilgilerini toplu verilere dayanarak degerlendirebildiginden bir doktorun dikkatine sunmak ve zaman kazanmak icin tum bekleyen sorunlari bulabilir Centerstone arastirma enstitusu tarafindan yurutulen bir calisma EHR verilerinin tahmine dayali modellemesinin bireysellestirilmis tedavi yanitini tahmin etmede 70 72 dogruluk sagladigini bulmustur Bu yontemler cevrimici saglik kayitlarinin miktarinin her bes yilda bir iki katina cikmasi nedeniyle faydalidir Doktorlar tum bu verileri manuel olarak isleyebilecek bant genisligine sahip degildir AI doktorlarin hastalarini tedavi etmelerine yardimci olmak icin bu verilerden yararlanabilir Ilac etkilesimleri Dogal dil islemedeki gelismeler tip literaturunde ilac ilac etkilesimlerini 26 Ocak 2021 tarihinde Wayback Machine sitesinde arsivlendi tanimlayan algoritmalarin gelistirilmesine yol acti Ilac ilac etkilesimleri ayni anda birden fazla ilac alan kisiler icin tehdit olusturmaktadir Alinan ilac sayisi arttikca tehlike artmaktadir Bilinen veya suphelenilen tum ilac ilac etkilesimlerini izlemenin zorlugunu gidermek icin etkilesen ilaclar ve tibbi literaturden olasi etkileri hakkinda bilgi cikarmak icin makine ogrenimi algoritmalari olusturulmustur CikarimlarAI kullaniminin tibbi maliyetleri azaltacagi ongorulmektedir Cunku tanida daha fazla dogruluk ve tedavi planinda daha iyi tahminler ayrica hastaligin onlenmesi daha fazla olacaktir Yapay zeka icin gelecekteki diger kullanimlar hareket etmede konusmada veya omurilik yaralanmasinda sorun yasayanlara yardimci olacagi tahmin edilen Beyin Bilgisayar Arayuzlerini Brain computer Interfaces BCI icerir BCI ler bu hastalarin sinirsel aktiveleri cozerek hareket etmelerine ve iletisim kurmalarina yardimci olmak icin yapay zekayi kullanacaktir Yapay zeka tibbi goruntuleme otomatik klinik karar verme teshis prognoz ve daha fazlasi gibi saglik hizmetleri alanlarinda onemli gelismelere yol acmistir AI tibbin cesitli alanlarinda devrim yapma yetenegine sahip olmasina ragmen sinirlamalari vardir Bir yatak basi hekiminin yerini alamaz Saglik yasal etik duzenleyici ekonomik ve sosyal kisitlamalara bagli karmasik bir bilimdir Yapay zekanin saglik hizmetlerinde tam olarak uygulanabilmesi icin vatandas ve toplum da dahil olmak uzere cok sayida ortakla kuresel ortamda paralel degisiklikler olmasi gerekmektedir Gelismekte olan ulkelere yonelik bakimi genisletmekYapay zeka daha az doktorun halk tarafindan erisilebilir oldugu ulkelerde daha fazla insani dogru teshis etme yeteneklerini genisletmeye devam etmektedir SpaceX ve Raspberry Pi Foundation gibi bircok yeni teknoloji sirketi gelismekte olan ulkelerin bilgisayarlara ve internete erismesini saglamaktadir Yapay zekanin internet uzerinden artan yetenekler ile gelismis makine ogrenimi algoritmalari hastalarin daha once hayati tehdit eden bir hastaligi olup olmadigini bilmelerinin bir yolu olmadiginda dogru bir sekilde teshis almalarina olanak saglayabilir Kaynaklara sahip olmayan gelismekte olan ulkelerde yapay zeka kullanmak dis kaynak ihtiyacini azaltacak ve hasta bakimini iyilestirebilecektir Yapay zeka yalnizca saglik hizmetlerinin kisitli oldugu alanlarda hastanin teshisine izin vermekle kalmamaktadir Ayni zamanda bir hasta icin en iyi tedaviyi bulmak amaciyla dosyalara kaynak saglayarak iyi bir hasta deneyimi saglamaktadir Yapay zekanin seyri ilerledikce ayarlama yetenegi hastanin tedavisini kendisi icin neyin ise yaradigina gore degistirmesine de olanak tanimaktadir Gelismekte olan ulkelerde neredeyse var olmayan kisisellestirilmis bakim seviyesi konusunda yardimci olacaktir Etik kaygilarVeri toplama Makine ogrenimini etkili bir sekilde egitmek ve yapay zekayi saglik hizmetlerinde kullanmak icin buyuk miktarda veri toplanmasi gerekmektedir Bununla birlikte bu verilerin elde edilmesi cogu durumda hasta gizliligine mal olur ve toplum tarafindan iyi karsilanmamaktadir Ornegin Ingiltere de yapilan bir ankete gore nufusun 63 unun yapay zeka teknolojisini gelistirmek icin kisisel verilerini paylasmaktan rahatsiz oldugunu tahmin etmektedir Gercek erisilebilir hasta verilerinin az bulunmasi saglik hizmetlerinde daha fazla yapay zeka gelistirme ve dagitmanin ilerlemesini engelleyen bir durum olmaktadir Otomasyon Yakin zamanda yapilan bir arastirmaya gore yapay zeka onumuzdeki 10 ila 20 yil icinde Ingiltere deki islerin 35 inin yerini alabilir Bununla birlikte yapay zekanin su ana kadar herhangi bir saglik hizmeti isini ortadan kaldirmadigi sonucuna varilmistir Yapay zeka saglikla ilgili isleri otomatiklestirirse otomasyona en duyarli isler doktordan hasta etkilesimine kadar ugrasanlarin aksine dijital bilgi radyoloji ve patoloji ile ilgilenenler olacaktir Otomasyon doktorlarin yaninda fayda da saglayabilir Saglik hizmetlerinde yapay zekadan yararlanan doktorlarin bunu yapmayan doktorlara ve tibbi kurumlara gore daha kaliteli saglik hizmeti sunmasi beklenmektedir AI muhtemelen saglik calisanlarinin yerini tamamen almayacaktir Aksine hastalarina bakmalari icin onlara daha fazla zaman taniyacaktir AI saglik calisanlarinin tukenmisligini ve bilissel asiri yuklenmesini onleyebilir AI daha iyi iletisim iyilestirilmis saglik hizmeti kalitesi ve ozerklik iceren toplumsal hedeflerin ilerlemesine katkida bulunacaktir Onyargi AI yalnizca girdi olarak aldigi veriler uzerinden karar aldigindan bu verilerin dogru hasta demografisini temsil etmesi onemlidir Hastane ortaminda hastalar tahmine dayali algoritmalarin nasil olusturuldugu veya kalibre edildigi konusunda tam bilgiye sahip degildir Bu nedenle bu tip kurumlari algoritmalarini azinliklara karsi ayrimcilik yapacak sekilde kodlayabilir Ideal bakim saglamak yerine karlara oncelik verebilmektedir Bu algoritmalarda sosyal ve saglik hizmetlerindeki esitsizlikleri artirabilecek istenmeyen onyargilar da olabilir Yapay zekanin kararlari girdi verilerinin dogrudan bir yansimasi oldugu icin aldigi verilerin hasta demografisinin dogru bir sekilde temsili olmasi gerekmektedir Beyaz erkekler tibbi veri setlerinde fazlasiyla temsil edilmektedir Bu nedenle azinliklar hakkinda en az hasta verisine sahip olmak yapay zekanin cogunluk nufus icin daha dogru tahminlerde bulunmalarina ve azinlik nufuslari icin istenmeyen daha kotu tibbi sonuclara yol acabilir Azinlik toplumlarindan veri toplamak da tibbi ayrimciliga yol acabilir Ornegin Insan Bagisiklik Yetmezligi Virusu HIV Human Immunodeficiency Virus azinlik topluluklari arasinda yaygin bir virustur HIV hastalara karsi ayrimcilik yapmak icin kullanilabilir Bununla birlikte bu onyargilar dikkatli bir uygulama ve temsili verilerin duzenli bir sekilde toplanmasi ile ortadan kaldirilabilir Ayrica bakinizDerin ogrenme yazilimlarinin karsilastirilmasi Yapay zekaKaynakca a b Luca M Kleinberg J Mullainathan S January February 2016 Algorithms Need Managers Too 20 Aralik 2021 tarihinde Wayback Machine sitesinde Harvard Business Review Retrieved 2018 10 08 Coiera E 1997 Guide to medical informatics the Internet and telemedicine Chapman amp Hall Ltd Lorenzetti L 5 April 2016 Here s How IBM Watson Health is Transforming the Health Care Industry 23 Mayis 2021 tarihinde Wayback Machine sitesinde Fortune Bloch Budzier S 22 November 2016 NHS using Google technology to treat patients 22 Kasim 2021 tarihinde Wayback Machine sitesinde Kent J 2018 08 08 Providers Embrace Predictive Analytics for Clinical Financial Benefits 19 Kasim 2021 tarihinde Wayback Machine sitesinde HealthITAnalytics Retrieved 2019 01 16 Lee K 4 January 2016 Predictive analytics in healthcare helps improve OR utilization 23 Mayis 2021 tarihinde Wayback Machine sitesinde SearchHealthIT Retrieved 2019 01 16 Lindsay RK Buchanan BG Feigenbaum EA Lederberg J 1993 DENDRAL a case study of the first expert system for scientific hypothesis formation 23 Mayis 2021 tarihinde Wayback Machine sitesinde Artificial Intelligence 61 2 209 261 doi 10 1016 0004 3702 93 90068 m 23 Mayis 2021 tarihinde Wayback Machine sitesinde hdl 2027 42 30758 23 Mayis 2021 tarihinde Wayback Machine sitesinde Clancey WJ Shortliffe EH 1984 Readings in medical artificial intelligence the first decade Addison Wesley Longman Publishing Co Inc Bruce G Buchanan BG Shortliffe ED 1984 Rule based expert systems the MYCIN experiments of the Stanford Heuristic Programming Project 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 Mayis 2021 tarihinde Wayback Machine sitesinde Adlassnig KP July 1980 A fuzzy logical model of computer assisted medical diagnosis 29 Agustos 2017 tarihinde Wayback Machine sitesinde PDF Methods of Information in Medicine 19 3 141 8 doi 10 1055 s 0038 1636674 23 Mayis 2021 tarihinde Wayback Machine sitesinde PMID 6997678 23 Mayis 2021 tarihinde Wayback Machine sitesinde Reggia JA Peng Y September 1987 Modeling diagnostic reasoning a summary of parsimonious covering theory 6 Mayis 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 Mayis 2021 tarihinde Wayback Machine sitesinde PMID 3315427 23 Mayis 2021 tarihinde Wayback Machine sitesinde 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 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 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 Mayis 2021 tarihinde Wayback Machine sitesinde doi 10 1109 MAHC 2010 28 S2CID 8305701 Barnes B Dupre J 2009 Genomes and what to make of them University of Chicago Press 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 Mayis 2021 tarihinde Wayback Machine sitesinde S2CID 19914056 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 Dougherty G 2009 Digital image processing for medical applications Cambridge University Press Artificial Intelligence and Machine Learning for Healthcare 17 Agustos 2020 tarihinde Wayback Machine sitesinde Sigmoidal 21 December 2017 Hibler Brian P Qi Qiaochu Rossi Anthony M March 2016 Current state of imaging in dermatology 23 Mayis 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 Mayis 2021 tarihinde Wayback Machine sitesinde Image acquisition in dermatology DermNet NZ 23 Mayis 2021 tarihinde Wayback Machine sitesinde dermnetnz org Retrieved 2021 02 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 Mayis 2021 tarihinde Wayback Machine sitesinde 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 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 Mayis 2021 tarihinde Wayback Machine sitesinde Nature 542 7639 115 118 doi 10 1038 nature21056 ISSN 1476 4687 24 Nisan 2021 tarihinde Wayback Machine sitesinde 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 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 Agustos 2021 tarihinde Wayback Machine sitesinde Journal of Medical Internet Research 21 10 e16356 doi 10 2196 16356 PMC 6914250 PMID31674923 2 Subat 2021 tarihinde Wayback Machine sitesinde 207818415 a b c Hosny A Parmar C Quackenbush J Schwartz LH Aerts HJ August 2018 Artificial intelligence in radiology 11 Kasim 2020 tarihinde Wayback Machine sitesinde Nature Reviews Cancer 18 8 500 510 doi 10 1038 s41568 018 0016 5 PMC 6268174 11 Kasim 2020 tarihinde Wayback Machine sitesinde PMID 29777175 21 Ocak 2021 tarihinde Wayback Machine sitesinde 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 Mayis 2021 tarihinde Wayback Machine sitesinde 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 Mayis 2021 tarihinde Wayback Machine sitesinde S2CID 73507799 Computer learns to detect skin cancer more accurately than doctors 27 Mayis 2021 tarihinde Wayback Machine sitesinde The Guardian 29 May 2018 Kobie N 1 January 2020 DeepMind s new AI can spot breast cancer just as well as your doctor 27 Mayis 2021 tarihinde Wayback Machine sitesinde Wired UK Wired Retrieved 1 January 2020 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 Mayis 2021 tarihinde Wayback Machine sitesinde Nature 577 7788 89 94 Bibcode 2020Natur 577 89M 27 Mayis 2021 tarihinde Wayback Machine sitesinde doi 10 1038 s41586 019 1799 6 PMID 31894144 27 Mayis 2021 tarihinde Wayback Machine sitesinde S2CID 209523468 Artificial intelligence identifies prostate cancer with near perfect accuracy 16 Aralik 2020 tarihinde Wayback Machine sitesinde EurekAlert 27 July 2020 Retrieved 29 July 2020 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 Mayis 2021 tarihinde Wayback Machine sitesinde Retrieved 17 August 2020 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 Mayis 2021 tarihinde Wayback Machine sitesinde 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 Agustos 2019 tarihinde Wayback Machine sitesinde JMIR Mental Health 5 4 e64 doi 10 2196 mental 9782 PMC 6315222 31 Agustos 2019 tarihinde Wayback Machine sitesinde PMID 30545815 27 Mayis 2021 tarihinde Wayback Machine sitesinde 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 Mayis 2021 tarihinde Wayback Machine sitesinde 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 Mayis 2021 tarihinde Wayback Machine sitesinde S2CID 59175658 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 Mayis 2021 tarihinde Wayback Machine sitesinde 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 Mayis 2021 tarihinde Wayback Machine sitesinde 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 Kasim 2020 tarihinde Wayback Machine sitesinde Nature Medicine 25 3 433 438 doi 10 1038 s41591 018 0335 9 PMID 30742121 27 Mayis 2021 tarihinde Wayback Machine sitesinde 59945159 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 a b Pivovarov R Elhadad N September 2015 Automated methods for the summarization of electronic health records 26 Mayis 2021 tarihinde Wayback Machine sitesinde Journal of the American Medical Informatics Association 22 5 938 47 doi 10 1093 jamia ocv032 PMC 4986665 26 Mayis 2021 tarihinde Wayback Machine sitesinde PMID 25882031 S2CID 1452 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 a b c Pouke M Hakkila 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 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 a b c d Medrano IH Guijarro JT Belda C Urena 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 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 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 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 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 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 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 Garcia JS 2013 04 14 Optimizacion del tratamiento de enfermos pluripatologicos en atencion primaria UCAMI HHUU Virgen del Rocio Report Sevilla Spain via ponencias de la II Reunion de Paciente Pluripatologico y Edad Avanzada Archived Bresnick J 30 April 2018 Top 12 Ways Artificial Intelligence Will Impact Healthcare 23 Mayis 2021 tarihinde Wayback Machine sitesinde HealthITAnalytics 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 Lovis C November 2019 Unlocking the Power of Artificial Intelligence and Big Data in Medicine 1 Aralik 2020 tarihinde Wayback Machine sitesinde Journal of Medical Internet Research 21 11 e16607 doi 10 2196 16607 PMC 6874800 PMID 31702565 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 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 Lacassie E Marquet P Martin Dupont S Gaulier JM Lachatre 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 a b Davenport T Kalakota R June 2019 The potential for artificial intelligence in healthcare 5 Mayis 2021 tarihinde Wayback Machine sitesinde Future Healthcare Journal 6 2 94 98 doi 10 7861 futurehosp 6 2 94 PMC 6616181 PMID 31363513 U S News Staff 2018 09 20 Artificial Intelligence Continues to Change Health Care US News AI for Health CareArtificial Intelligence for Health Care GrayRipples com AI iOS Android PowerApps 2020 03 04 Retrieved 2020 11 04 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 a b Nordling L September 2019 A fairer way forward for AI in health care Nature 573 7775 S103 S105 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