Когда интеллект — искусственный, а забота — настоящая

Факультет реабилитации и смежных медицинских наук (FRAHS), Международный университет Рифа, Равалпинди, Пакистан

Вклады: (I) Концепция и дизайн: В. Улла; (II) Административная поддержка: Нет; (III) Предоставление учебных материалов или пациентов: Оба автора; (IV) Сбор и объединение данных: Оба автора; (V) Анализ и интерпретация данных: Оба автора; (VI) Написание рукописи: Оба автора; (VII) Окончательное утверждение рукописи: Оба автора.

Адрес для переписки: Вахид Улла, магистр наук в области лабораторных медицинских наук. Факультет реабилитации и смежных медицинских наук (FRAHS), Международный университет Рифа, комплекс Аль-Мизан IIMCT, 274 Main Peshawar Road, Равалпинди, Пакистан. Электронная почта:wu86734@gmail.com.

Предыстория
В медицинских учреждениях качество медицинской помощи значительно повысилось благодаря искусственному интеллекту (ИИ), который быстро набирает популярность как инструмент для улучшения подготовки медицинских работников. Целью этого систематического обзора было обобщение имеющейся литературы о роли ИИ в секторе здравоохранения.

Методы
Для извлечения соответствующих данных с использованием руководств PRISMA и фреймворка PICO использовались пять различных баз данных (Scopus, Web of Science, PubMed/EMBASE, Google Scholar и Cochrane Library). Используя стратегию систематического поиска и заранее заданные критерии включения и исключения, было найдено 3047 исследований, из которых только 51 исследование было включено после удаления дубликатов и скрининга статей. Статьи были оценены на предмет риска предвзятости оценки с использованием шкалы Ньюкасла-Оттавы.

Результаты 
Алгоритмы ИИ были сосредоточены на ряде клинических действий, включая определение состояния (n=16), оценку риска (n=14), терапию (n=7) и скрининг (n=16). Что касается результатов оценки, мы заметили, что 26 исследований изучали, насколько эффективно инструменты ИИ работали в условиях здравоохранения, 33 исследования изучали, как программы ИИ влияли на результаты для врачей, 14 исследований изучали, как они влияли на результаты для пациентов, и одно исследование изучало финансовые последствия внедрения ИИ.

Выводы
Несмотря на огромный потенциал, этот систематический обзор показывает, что исследования медицинского применения технологий ИИ все еще продолжаются. Необходимы дальнейшие исследования для оценки положительных и отрицательных аспектов клинического применения ИИ с использованием более точного подхода.

Ключевые слова 
искусственный интеллект (ИИ) ; здравоохранение ; машинное обучение (МО) ; клиническая практика.

Получено: 21 августа 2024 г.; Принято: 25 ноября 2024 г.; Опубликовано онлайн: 22 января 2025 г.

doi: 10.21037/jmai-24-294

Основные выводы

• Будущее клинической медицины может быть революционизировано благодаря интеграции искусственного интеллекта (ИИ).

Что известно и что нового?

• Предыдущие исследования указали на преимущества ИИ в различных клинических и диагностических процедурах.

• Однако большинство этих исследований имели риск смещения, особенно из-за отсутствия рандомизированных контрольных испытаний. Также было отмечено, что использование ИИ в основном применяется в развитых странах.

Каковы последствия и что теперь следует изменить?

• Текущие данные о целостности ИИ сомнительны из-за отсутствия исследований без предвзятости. Будущие исследования должны быть сосредоточены на проведении рандомизированных контрольных испытаний, чтобы исключить такую ​​предвзятость риска. 


Введение
Необходимо разработать новые модели обучения для работников здравоохранения, чтобы адаптироваться к изменяющимся условиям практики. Одной из возможностей является использование инструментов с улучшенными технологическими возможностями (1). Технология часто определяется как объекты и материалы, разработанные или модифицированные для решения реальных проблем. Продукты, которые попадают в категорию таких технологий, включают компьютерную виртуальную реальность, искусственный интеллект (ИИ), машинное обучение (МО) и т. д. (2,3).

ИИ и МО становятся революционными инструментами в эпоху беспрецедентного прогресса в области технологий (4 ). Обучение      с помощью технологии симуляции является основополагающим компонентом профессии в области здравоохранения (5 ). Потенциальные преимущества использования ИИ и МО в сфере здравоохранения включают повышение эффективности обучения, оптимизацию точности и достоверности результатов и, в конечном итоге, улучшение ухода за пациентами (6). Чтобы в полной мере использовать ИИ и МО в сфере здравоохранения, важно оценить существующую ситуацию, признать достижения и определить области, требующие существенных исследований.

Трудно переоценить важность применения ИИ в здравоохранении. ИИ обладает огромным потенциалом для трансформации областей диагностики заболеваний, персонализированной медицины, мониторинга состояния здоровья в реальном времени и оперативного управления здравоохранением (7). Диагностические технологии на основе ИИ способны эффективно оценивать медицинские изображения и регулярно улавливать детали, которые человеческий глаз мог бы упустить из виду (8). Такая точность приводит к более быстрой и точной диагностике, что существенно влияет на результаты лечения пациентов. Аналогично этому алгоритмы ИИ добиваются значительных успехов в направлении персонализированной медицины в области индивидуализации лечения (9). Они могут выполнять поиск в огромных наборах данных, чтобы находить закономерности и определять, какие лекарства лучше всего подойдут для определенных профилей пациентов. ИИ также используется для мониторинга пациентов, где носимые технологии и системы удаленного мониторинга обеспечивают постоянный контроль за здоровьем пациентов, позволяя проводить оперативное лечение и сокращать повторные госпитализации в больницы (10). ИИ может оптимизировать больничные процессы и упрощать операции, включая планирование приемов, для повышения эффективности и удовлетворенности пациентов при оказании медицинской помощи (11).

Целью этого систематического обзора является тщательное изучение различных приложений ИИ и потенциальных проблем для отрасли здравоохранения. Это исследование предлагает подробный обзор того, как технологии ИИ решают проблемы здравоохранения, улучшают уход за пациентами и улучшают результаты здравоохранения. Этот обзор также критически оценит трудности и проблемы, возникающие при включении ИИ в процедуры здравоохранения, начиная от этических и технологических проблем до проблем внедрения и регулирования. Цель состоит в том, чтобы представить беспристрастную точку зрения, которая признает преимущества ИИ в здравоохранении, а также решает трудности и осложнения, связанные с его внедрением. Мы представляем эту статью в соответствии с контрольным списком отчетности PRISMA (доступным по адресу https://jmai.amegroups.com/article/view/10.21037/jmai-24-294/rc ) (12). 
 

Методы
Выбор исследований
Целью этого систематического обзора было обобщить роль ИИ в здравоохранении. Центральным вопросом, лежащим в основе этого обзора, было: помогает ли ИИ улучшить уход за пациентами, предоставляемый в сфере здравоохранения?  Сформулированная в соответствии с рамкой PICO, разбивка выглядит следующим образом: P (население) относится к взрослой популяции работников здравоохранения (обоих полов, которые участвуют в оказании ухода за пациентами), I (вмешательство) относится к технологиям ИИ в здравоохранении, C (сравнение) относится к сравнению традиционных методов и методов, основанных на ИИ, O (результат) относится ко всей эффективности обучения, приобретению навыков, результатам ухода за пациентами, способностям принятия решений, безопасности пациентов, в которых ИИ играет значительную роль.

Во время идентификации статей дубликаты были удалены путем экспорта их в EndNote Basic (ENDNOTE, 2015). Затем исследования были выбраны в два этапа. Рецензент 1 оценивал заголовки и аннотации в дубликатах, по отдельности, на протяжении всего этапа 1, чтобы найти исследования, которые соответствовали требованиям.

При отборе статей использовались следующие критерии включения и исключения:

Критерии включения:

- В этот обзор будут включены рандомизированные контролируемые исследования, когортные исследования, исследования случай-контроль и квазиэкспериментальные исследования.

- Язык: только статьи, написанные на английском языке.

- Исследования, посвященные роли ИИ в здравоохранении.

- Рецензируемые исследования.

Критерии исключения:

- Отчеты о случаях заболевания, систематические обзоры, обзоры литературы или редакционные письма не будут включены в данное исследование.

- Исследования, посвященные роли ИИ в группах населения, не связанных со здравоохранением.

- Исследования, в которых не сообщается об эффективности ИИ в учреждениях здравоохранения.

- Нерецензируемая литература.

Стратегия поиска
Систематический поиск соответствующей литературы был выполнен в следующих четырех базах данных для извлечения соответствующих исследований: Scopus: («искусственный интеллект» ИЛИ «ИИ» ИЛИ «машинное обучение» ИЛИ «глубокое обучение» ИЛИ «нейронные сети» ИЛИ «интеллектуальные системы») И («здравоохранение» ИЛИ «медицинское обучение» ИЛИ «клиническое обучение» ИЛИ «виртуальная реальность» ИЛИ «дополненная реальность» ИЛИ «симуляционное обучение» ИЛИ «медицинское обучение»), Web of Science: TS=(«искусственный интеллект» ИЛИ «ИИ» ИЛИ «машинное обучение» ИЛИ «глубокое обучение» ИЛИ «нейронные сети» ИЛИ «интеллектуальные системы») И TS=(«здравоохранение» ИЛИ «медицинское обучение» ИЛИ «клиническое обучение» ИЛИ «виртуальная реальность» ИЛИ «дополненная реальность» ИЛИ «симуляционное обучение» ИЛИ «медицинское обучение»), PubMed/EMBASE: («искусственный интеллект» ИЛИ «ИИ» ИЛИ «машинное обучение» ИЛИ «глубокое обучение» ИЛИ «нейронные сети» ИЛИ «интеллектуальные системы») И («учреждение здравоохранения» ИЛИ «медицинское обучение» ИЛИ «клиническое учреждение» ИЛИ «виртуальная реальность» ИЛИ «дополненная реальность» ИЛИ «симуляционное обучение» ИЛИ «медицинское обучение»), Google Scholar: «искусственный интеллект» ИЛИ ИИ ИЛИ «машинное обучение» ИЛИ «глубокое обучение» ИЛИ «нейронные сети» ИЛИ «интеллектуальные системы» И «учреждение здравоохранения» ИЛИ «медицинское обучение» ИЛИ «клиническое учреждение» ИЛИ «виртуальная реальность» ИЛИ «дополненная реальность» ИЛИ «симуляционное обучение» ИЛИ «медицинское обучение», Cochrane Library: «искусственный интеллект» ИЛИ ИИ ИЛИ «машинное обучение» ИЛИ «глубокое обучение» ИЛИ «нейронные сети» ИЛИ «интеллектуальные системы» И «учреждение здравоохранения» ИЛИ «медицинское обучение» ИЛИ «клиническое учреждение» ИЛИ «виртуальная реальность» ИЛИ «дополненная реальность» ИЛИ «симуляционное обучение» ИЛИ «медицинское обучение». Базы данных также искались на предмет опубликованных систематических обзоров или текущих систематических обзоров по той же теме. Соответствующие исследования были извлечены и сохранены в ENDNOTE, чтобы отбросить повторяющиеся результаты.

Сбор данных

Данные были отдельно извлечены тем же рецензентом из выбранных статей. Для каждого включенного исследования были отмечены название, авторы, название журнала, продолжительность, тип исследования, страна, возраст, пол, количество участников, местоположение и основные выводы.

Оценка предвзятости риска
Извлечение данных проводилось с использованием стандартной формы, а полнотекстовые статьи оценивались в соответствии         с критериями шкалы Ньюкасла-Оттавы (NOS). Публикации получали баллы по низкой, средней или высокой шкале в качестве методологического показателя качества на основе нескольких переменных, таких как смещение отчетности, производительность     и выбор. Описания критериев включения и рандомизации использовались для оценки предпочтения при выборе. Сокрытие распределения и описания контрольной группы принимались во внимание при оценке смещения производительности. Предвзятое сообщение, промышленное спонсорство, частичное управление данными и выборочное сообщение получили разные рейтинги.   Во время нескольких телеконференций были рассмотрены темы ограничений приемлемости и единообразия отчетности. Второй автор рассматривал пробелы в оценках рецензентов перед выбором исследования.

Результаты 
Результаты поиска
Всего было выявлено 3047 исследований из пяти различных баз данных, из которых 794 были из Scopus, 491 исследование из Web of Science (WOS), 634 исследования из PubMed Central, 733 из Google Scholar и 395 из Cochrane Library. Все эти статьи были отсортированы по примечаниям, в которых 1113 были удалены как дубликаты. Остальные 1934 статьи были отсортированы только по названию и аннотации, в которых 899 статей были признаны не имеющими отношения к данному исследованию и были удалены из данного исследования. Оставшиеся 1035 статей были проверены на наличие полного текста в этих базах данных, в которых полный текст не был доступен для 203 статей. 832 различные полнотекстовые статьи были оценены на предмет соответствия требованиям для включения в данное исследование. 63 статьи были не на английском языке, 169 были признаны не основанными на ИИ в здравоохранении, а 354 статьи были либо обзорными статьями, либо отраслевыми отчетами, главами книг, либо отчетами  о случаях. 195 статей были релевантными на основе улучшения ИИ, но не конкретно в здравоохранении. После исключения этих статей, 51 статья была признана полностью подходящей для включения в этот обзор ( Рисунок 1 ).
 

Оценка предвзятости риска

Оценка риска смещения проводилась с использованием NOS. Из 51 исследования 22 имели низкий риск смещения, 27 имели умеренный риск смещения и два исследования (13,14) имели высокий риск смещения. В некоторых исследованиях часть их методологического недостатка заключается в том, как они выбирали своих контролей. Кроме того, ни одно исследование не раскрывало ослепление контролей и пациентов относительно воздействия, что могло привести к смещению измерения (таблица 1).
 

Таблица 1. - Риск смещения оценки всех включенных исследований с использованием шкалы Ньюкасл-Оттава

Исследование может получить максимум одну звезду (★) за каждый пронумерованный пункт в категориях выбора и выставки. Максимум две звезды (★★) можно дать за сопоставимость. Шкала оценок: от 7 до 9 звезд = низкий риск смещения; от 4 до 6 звезд = умеренный риск смещения; от 0 до 3 звезд = высокий риск смещения.

GRADEpro GDT указал, что исследования, которые были частью этого систематического обзора, имели среднее качество доказательств. Включение когортных исследований, что увеличивает риск смещения, поскольку не позволяет рандомизировать воздействие, и непоследовательный характер исследований были основными причинами низкого качества доказательств.

Характеристики включенных исследований

С точки зрения дизайна исследования, 51 исследование включало одно нерандомизированное исследование, одно структурированное интервью, восемь экспериментальных исследований, четыре сравнительных поперечных исследования, четыре опроса, восемь ретроспективных исследований, 14 рандомизированных контролируемых исследований и 17 перспективных исследований. Важно помнить, что в зависимости от того, когда были собраны данные, наблюдательные исследования можно разделить на перспективные и ретроспективные исследования. В перспективных исследованиях дизайн исследования и методы сбора данных планируются до того, как люди станут нездоровыми или испытают другие неожиданные результаты. Ретроспективные исследования собирают данные о людях, которые в настоящее время и ранее участвовали в исследовании; у субъектов могло развиться состояние или возникнуть дополнительные эффекты, представляющие интерес, до начала дизайна исследования и процесса сбора данных (таблица 2).

Таблица 2. - Характеристики включенных исследований

Два из 51 исследования имели средний размер выборки менее 30, и 29 (57%) исследований конкретно указывали вовлеченных пациентов. Однако информация об участвующих поставщиках медицинских услуг была предоставлена ​​28 (55%) исследованиями,    из которых 17 имели 10 или менее поставщиков.

Из 51 исследования 36 были проведены в различных развитых странах: 20 были проведены в США, пять - в Великобритании, одно - в Австралии, одно - в Канаде и Японии, по одному в Германии, Израиле,  Испании, Нидерландах и Южной Корее. Напротив, десять исследований, восемь в Китае, одно исследование в Индии, а также одно в Индии и Кении были проведены в развивающихся странах.

Два из 51 исследования не предоставили подробностей о методах ИИ, которые они использовали. Нейронные сети (n=22) оказались наиболее широко используемым подходом МО среди остальных 49 исследований. За ними следовали модели случайного леса (n=3), байесовское распознавание образов (n=3), использование опорных векторных машин (n=2), модели деревьев решений (n=2) и глубокое обучение с подкреплением (n=2). Кроме того, мы заметили, что большинство включенных систем ИИ предлагали помощь в принятии решений для следующих четырех типов клинических задач: анализ риска (n=14), терапия (n=7), медицинская диагностика (n=16) и скрининг или сортировка заболеваний (n=16). Кроме того, 46 (94%) исследований использовали технологии ИИ для выявления нескольких конкретных заболеваний и расстройств. Сепсис (n=6), рак молочной железы (n=5), ретинопатия, вызванная диабетом (n=4), полип и аденома (n=4), катаракта (n=2) и инсульт (n=2) были наиболее распространенными заболеваниями и недомоганиями.

Всего было проведено 26 исследований, оценивающих эффективность приложений ИИ в реальных сценариях здравоохранения. Площадь под кривой, чувствительность, специфичность, точность, прогностическая ценность положительного результата и прогностическая ценность отрицательного результата были среди часто используемых показателей эффективности. Из них 24 исследования показали, что приложения ИИ работали удовлетворительно и с приемлемым качеством в реальных условиях. Например, одно исследование (15) использовало диагностическую технологию IDx-DR в опорном исследовании для выявления диабетической дегенерации сетчатки в десяти основных клиниках США. В исследовании сообщается, что IDx-DR превысила заранее определенные критерии со значением чувствительности 87,2%, специфичностью 90,7% и показателем визуальной привлекательности 96,1%. На основании полученных результатов IDx-DR была одобрена FDA в качестве первой диагностической системы ИИ, и она может помочь нескольким тысячам пациентов с диабетом избежать потери зрения за счет улучшения ранней диагностики диабетической ретинопатии.

Напротив, два исследования показали, что приложения ИИ требуют большей разработки, поскольку они не могут превзойти врачей (29,33). Ученые обнаружили, что когда дело доходит до обнаружения врожденной катаракты у детей и выбора курса лечения, CC-Cruiser работает гораздо менее точно с точки зрения положительной прогностической ценности (PPV) и отрицательной прогностической ценности (NPV), чем старшие врачи. Эффективность системы оценки диабетической ретинопатии на основе ИИ в австралийской клинике первичной медико-санитарной помощи была оценена в другом исследовании (33), которое обнаружило, что система имеет высокий уровень ложноположительных результатов (PPV 12%). Более конкретно: система ИИ нашла 17 человек с тяжелой диабетической ретинопатией, которых нужно было направить из 193 пациентов, давших свое согласие на исследование (29). Однако только два случая были правильно диагностированы; остальные 15 были ложноположительными.

ИИ может быть полезен при принятии решений менеджерами в сфере здравоохранения. Из выявленных статей шестнадцать описывали, как приложения ИИ могут улучшить способность управлять решениями в сфере здравоохранения. Например, Бреннан и др. (22) решили, что, работая с MySurgery — алгоритмом, используемым для предоперационной оценки риска, врачи получили новые знания, а также повысили свою эффективность в отношении риска. Однако не было никаких признаков улучшения принятия решений в двух исследованных случаях (16,31). Вероятной причиной может быть то, что ИИ может давать вводящие в заблуждение рекомендации и, таким образом, сводить на нет положительное влияние. Например, Киани и др. (31) исследовали влияние использования системы на основе глубокого обучения для различения живого рака на диагностическую эффективность 11 патологов; они обнаружили, что интеграция ИИ в систему не повысила диагностическую компетентность. Они также сказали, что когда ИИ давал правильный прогноз, точность была высокой, а когда он давал неправильные прогнозы, точность падала. В своем исследовании Аоки и др. оценили чтение эндоскопистов относительно капсульной эндоскопии тонкой кишки с использованием подхода, основанного на глубоком обучении, для разрыва слизистой оболочки (16). Авторы отметили, что метод не улучшил охру эндоскопистов, особенно у стажеров.

Из семи исследований эффективность врачей и способы их работы были основной областью беспокойства. Из них шесть исследований пришли к выводу, что интеграция ИИ в существующий процесс улучшила текущее состояние за счет ускорения целых клинических процессов, которые ранее требовали дополнительного времени. Например, Титано и др. (54) обнаружили, что система сортировки интракраниальных изображений на основе глубокого обучения улучшила сортировку случаев с помощью рабочего процесса радиологии и возможности обрабатывать и интерпретировать изображения в сто пятьдесят раз быстрее, чем рентгенологи-люди, и добавила возможность правильно оповещать о некоторых срочных случаях. Исследование, проведенное Ву и др., является единственным оцененным исследованием, которое повлекло за собой оценку системы улучшения качества, называемой WISENSE, для слепых зон и времени процедуры во время эзофагогастродуоденоскопии. Это исследование также показало, что WISENSE помогла эндоскопистам контролировать время, затрачиваемое на каждый процесс, и, в свою очередь, привела к улучшению времени осмотра (62).

Наконец, семь исследований изучали, как врачи воспринимали и принимали приложения ИИ. В частности, общие мнения о приложениях ИИ были положительными в пяти из семи исследований. Например, в моделируемом клиническом рабочем процессе Бреннан и др. (22) попросили 20 хирургов-интенсивистов использовать и оценить MySurgeryRisk для предоперационного прогнозирования риска. Большинство респондентов заявили, что MySurgeryRisk практичен, прост в использовании и будет полезен при принятии решений. Однако мнения об ИИ были разными или даже неблагоприятными в двух других экспериментах.                   В частности, Джинестра и др. (26) сообщили, что только 16% медицинских работников считали, что сгенерированные системой предупреждения о сепсисе полезны при оценке врачебных оценок системы прогнозирования сепсиса на основе МО в учебной больнице второго уровня. Низкая прозрачность алгоритма, отсутствие определенных действий после предупреждений и отсутствие доверия поставщиков к оповещениям могут быть причинами неблагоприятных оценок. Только 14% сотрудников клиники были готовы одобрить систему принятия клинических решений на основе ИИ, которую Romero-Brufau et al. (14) раскрыли в результатах опроса после использования в региональной практике здравоохранения. Некоторые рекомендуемые системой методы лечения были признаны недостаточными и неподходящими на основе отзывов сотрудников.

Результаты лечения пациентов были представлены в 14 исследованиях. Влияние ИИ на клинические процедуры и результаты, включая продолжительность пребывания в больнице, смерть в больнице, перемещение в отделение интенсивной терапии (ОИТ), возвращение в больницу и время до вмешательства, было исследовано в 11 из 14 исследований. Результаты были разными. Большинство исследований отметили лучшие клинические результаты. Например, система прогнозирования тяжелого сепсиса на основе МО была установлена ​​и оценена в двух отдельных отделениях интенсивной терапии в Медицинском центре Калифорнийского университета в Сан-Франциско в рамках рандомизированного контролируемого исследования (РКИ) (50). Они обнаружили, что применение алгоритма значительно снизило как уровень госпитальной смертности с 21,3% до 8,96%, так и продолжительность пребывания в больнице с 13,0 до 10,3 дней. Тем не менее, три исследования не обнаружили никаких признаков лучших клинических результатов, что позволяет предположить, что текущая итерация алгоритмов имеет ограниченное применение. В этом случае Бейли и др. (18) сосредоточились на изучении эффектов системы МО в реальном времени, которая генерировала предупреждения о клиническом ухудшении состояния пациентов в больницах. Они поняли, что использование только предупреждений не было эффективным для снижения смертности в больницах и продолжительности пребывания. В проведенном исследовании (24), где изучался новый электронный путь оказания помощи для лечения острого повреждения почек, авторы заметили, что не было никаких изменений в скорости регенерации почек или каких-либо других вторичных клинических исходов после вмешательства. В этом контексте Джаннини и др. (25) разработали алгоритм прогнозирования сепсиса в академической системе здравоохранения и вскоре внедрили его. Результаты ясно показали, что оповещения, выдаваемые алгоритмом, не снизили ни смертность, ни выписку, ни перевод в отделение интенсивной терапии, а также в ограниченной степени повлияли на выбор клинических процессов. Поэтому необходимо провести дополнительную оптимизацию алгоритма.

Три исследования, в которых рассматривалось, как пациенты оценивают приложения ИИ, дали убедительные результаты.                 В амбулаторной эндокринологии Кил и др. (30) оценили принятие инструмента скрининга диабетической ретинопатии на основе ИИ среди пациентов. Они обнаружили, что 78% пациентов в последующем опросе заявили, что выбрали скрининг ИИ вместо обычного скрининга, что указывает на то, что пациенты в целом приняли инструмент ИИ. Кроме того, 96% прошедших скрининг пациентов выразили удовлетворение инструментом ИИ. Когда Лин и др. (33) оценивали удовлетворенность клиентов CC-Cruiser для детской катаракты, они обнаружили, что пациенты были несколько более довольны инструментом, чем старшие консультанты. Одно из обоснований заключается в том, что если раннее лечение откладывается, молодая катаракта может привести к непоправимому повреждению зрения или даже слепоте.  

Обсуждение

Потенциальные преимущества приложений ИИ огромны: они могут улучшить принятие решений врачами, улучшить процессы и результаты здравоохранения для пациентов, а также снизить расходы на здравоохранение. Целью этого обзора было выявить и собрать исследования приложений ИИ, которые использовались в реальных клинических условиях.

Учитывая огромное количество исследований в области ИИ в здравоохранении, мы видим, что общее количество включенных исследовательских работ было довольно низким. В частности, большинство исследований в области ИИ в здравоохранении представляли собой работу по проверке концепции, которая была сосредоточена на разработке и проверке алгоритмов ИИ с использованием перспективных клинических наборов данных. С другой стороны, только несколько исследований использовали ИИ в терапевтических условиях и оценивали его эффективность. Однако приложение ИИ должно предоставить веские доказательства своего превосходства над традиционным методом оказания медицинской помощи, чтобы гарантировать безопасное внедрение. Следовательно, чтобы продемонстрировать потенциал ИИ в реальных клинических условиях, мы призываем исследователей ИИ в области здравоохранения тесно сотрудничать с работниками здравоохранения и организациями.

Тот факт, что развитые страны составили более двух третей включенных статей, из которых более половины были из США, говорит  о том, что эти страны находятся на переднем крае разработки и применения ИИ в здравоохранении. Это связано с тем, что ведущие стартапы и фирмы в области ИИ в здравоохранении в основном базируются в Европе и США. Хотя наш поиск дал 890 публикаций на других языках, мы исключили статьи на других языках, поэтому к полученному результату следует относиться с осторожностью. Из-за сложности и разнообразия переводов мы не смогли провести беспристрастный анализ, поэтому мы пропустили эти статьи на других языках. Неравномерное распространение публикаций по признаку национальности или уровня экономического развития может объясняться крайне низким уровнем публикаций ученых из стран с низким уровнем дохода.

Тем не менее, важно, что восемь из наших исследований были опубликованы в Китае, что свидетельствует о том, что страна активно использует и изучает ИИ в здравоохранении. Фактически, клиническое использование ИИ было организовано больницами, технологическими фирмами и китайским правительством в целях сокращения неравенства медицинских активов, снижения расходов на здравоохранение и решения проблемы нехватки врачей (64,65 ). Кроме того, китайские исследователи получили возможность публиковать свои исследования в международных англоязычных журналах.

Будущие исследования по оценке ИИ в здравоохранении должны быть более высокого качества. Только 13 исследовательских работ, использованных нами, были рандомизированными контролируемыми испытаниями, и большинство из них имели умеренный риск смещения. Восемь проведенных исследований были экспериментальными, и поскольку все они использовали перекрестные или внутрисубъектные дизайны, все они были уязвимы для переменных, которые были искажающими. Только восемь (16%) исследований имели выборочные данные по пациентам, а также поставщикам медицинских услуг, в то время как 14 (28%) исследований имели размер выборки менее 20, что ограничивало возможность применения результатов к большей популяции.

Было сложнее определить дополнительную ценность приложений ИИ по сравнению с нынешней передовой практикой, поскольку в большинстве исследований отсутствовала группа сравнения. Дизайн, надежность или точность работы и возможные опасности системы ИИ должны быть прозрачно описаны в исследовании, поскольку у практикующих врачей могут быть разные мнения о различных системах ИИ с разными уровнями производительности и надежности. Однако из рассмотренных нами рукописей 21 не включала достаточно подробностей о дизайне приложений, а 22 - не раскрывали эффективность или возможные риски рассматриваемого ИИ. Кроме того, крайне важно периодически проверять и перекалибровывать программы ИИ, чтобы убедиться, что они работают так, как задумано. Это связано с тем, что определенные саморазвивающиеся гибкие клинические системы ИИ регулярно включают в себя самую последнюю информацию о клинической практике и опубликованные исследования. В конечном итоге мы обнаружили, что большинство исследований (n = 29, 57%) изучали одну особенность результата оценки. В будущих исследованиях настоятельно рекомендуется провести более тщательную оценку эффективности клинических приложений ИИ и их влияния на медицинских работников, пациентов и учреждения. Это облегчит оценку и выбор среди нескольких решений ИИ в одной и той же терапевтической области.

Наше исследование показало, что в некоторых ситуациях приложения ИИ могут предложить полезную помощь в принятии решений. Например, объем экспертных знаний может влиять на улучшение функции ИИ в способности принятия медицинских решений. В частности, два исследования показали, что младшие врачи с большей вероятностью, чем старшие врачи, получают выгоду от ИИ, поскольку они более склонны переоценивать и корректировать свои клинические суждения в ответ на противоречивые рекомендации ИИ (27, 36). Однако важно помнить, что ИИ иногда может быть обманчивым. Например, одно исследование из нашей оценки выдвинуло гипотезу, что из-за своей неопытности в чтении стажеры-эндоскописты могут быть озадачены ложноположительными результатами диагностического инструмента ИИ и, как следствие, пропустить отмеченные ИИ поражения слизистой оболочки тонкой кишки (16). Поэтому будущие исследования должны рассмотреть ситуации, в которых медицинские специалисты могут получить максимальную выгоду от применения ИИ. Однако мы уверены, что использование технологии ИИ в конечном итоге будет включено в стандартное клиническое лечение, как только она станет достаточно точной и развитой, чтобы считаться научно обоснованным стандартом медицинской помощи.

Что касается внедрения ИИ, мы обнаружили, что в двух исследованиях (14, 26 ) специалисты здравоохранения имели негативное мнение об ИИ, что говорит о трудностях интеграции ИИ в обычный рабочий процесс. Однако подробное обсуждение проблем внедрения ИИ выходит за рамки данного исследования.

Мы обнаружили, что большинство исследований, которые были сосредоточены на результатах для пациентов, не изучали клинические процедуры и методы лечения досконально. Однако результаты для пациентов не могут быть улучшены с помощью приложений ИИ при отсутствии соответствующих и полезных методов лечения. Например, Бейли и др. (18) показали, что для улучшения результатов пациентов с более высоким риском недостаточно только информирования сестринского персонала о рисках, связанных с клиническим ухудшением. Требуются эффективные методы лечения, адаптированные для каждого пациента. Поэтому для повышения терапевтической эффективности приложений ИИ в будущих исследованиях могут быть разработаны и оценены методы лечения, ориентированные на пациента.

Кроме того, три из включенных исследований показали, что простота и эффективность ИИ в здравоохранении привели к высокому уровню удовлетворенности среди пациентов и их семей. Иногда это может быть так. Предыдущие исследования показали, что даже в случаях, когда получение базового медицинского лечения от врача-человека означало большую вероятность неправильной диагностики, люди предпочитали этот метод ИИ (66). Они считали, что ИИ не способен принять во внимание их конкретный набор обстоятельств, поэтому пациенты также могут думать хуже о врачах, которые используют клинические системы поддержки принятия решений, и принижать их по сравнению с их коллегами, которым  ИИ не помогает. Следует принять во внимание необходимость проведения дополнительных исследований для изучения потенциальных проблем пациентов и противодействия применению ИИ в здравоохранении (67).

Несмотря на высокие первоначальные расходы на использование ИИ, более 50 процентов организаций здравоохранения считают, что ИИ сэкономит расходы и увеличит доход, согласно опросу Accenture. Однако только одно из изученных исследований предоставило информацию о финансовых эффектах внедрения ИИ (68). Это подчеркивает, насколько важно проводить больше исследований экономической эффективности приложений ИИ в медицинских учреждениях.

Выводы 

Приложения на основе ИИ обладают огромным потенциалом для улучшения процессов и результатов лечения пациентов. Существует большой интерес к разработке инструментов ИИ для помощи в клинических процессах, и разрабатывается больше доказательств высокого качества, согласно литературе, рассмотренной в этом исследовании. Однако в настоящее время недостаточно данных для обоснования регулярного применения ИИ в медицинских учреждениях для помощи в принятии решений, что препятствует развитию этой области и вызывает опасения по поводу безопасности пациентов. Поэтому мы приходим к выводу, что крайне важно провести серьезные рандомизированные контролируемые испытания для сравнения результатов и процедур лечения с помощью ИИ с современными учреждениями. 

Сноска

Контрольный список отчетности : авторы заполнили контрольный список отчетности PRISMA. Доступно по адресу https://jmai.amegroups.com/article/view/10.21037/jmai-24-294/rc

Файл рецензирования: доступен по адресу https://jmai.amegroups.com/article/view/10.21037/jmai-24-294/prf

Конфликты интересов : Оба автора заполнили единую форму раскрытия информации ICMJE (доступную по адресу https://jmai.amegroups.com/article/view/10.21037/jmai-24-294/coif ). У авторов нет конфликта интересов, о котором можно было бы заявить.

Этическое заявление: Авторы несут ответственность за все аспекты работы, гарантируя, что вопросы, связанные с точностью или целостностью любой части работы, будут надлежащим образом расследованы и решены.

Заявление об открытом доступе: Это статья открытого доступа, распространяемая в соответствии с лицензией Creative Commons Attribution-NonCommercial-NoDerivs 4.0 International (CC BY-NC-ND 4.0), которая разрешает некоммерческое воспроизведение и распространение статьи при строгом условии, что не вносятся никакие изменения или правки, а оригинальная работа надлежащим образом цитируется (включая ссылки как на официальную публикацию через соответствующий DOI, так и на лицензию). См.: https://creativecommons.org/licenses/by-nc-nd/4.0/ .

Ссылки

1. Сечинаро С., Каландра Д., Сечинаро А. и др. Роль искусственного интеллекта в здравоохранении: структурированный обзор литературы. BMC Med Inform Decis Mak 2021;21:125. [ Crossref ] [ PubMed ]
2. Наик Н., Хамид БМЗ, Шетти Д.К. и др. Правовые и этические аспекты искусственного интеллекта в здравоохранении: кто несет ответственность? Front Surg 2022;9:862322. [ Crossref ] [ PubMed ]
3. Раджпуркар П., Чен Э., Банерджи О. и др. ИИ в здравоохранении и медицине. Nat Med 2022; 28: 31-8. [ Перекрестная ссылка ],    [ PubMed ]
4. Акпан Д.М. Искусственный интеллект и машинное обучение. В: Бухгалтерский учет будущего: стратегии данных и технологий. Бингли, Великобритания: Emerald Publishing Limited; 2024:49-64.
5. Комитет по стандартам INACSL. Стандарты моделирования здравоохранения наилучшей практикиTM проектирования моделирования. Клиническое моделирование в сестринском деле 2021;58:14-21. [ Crossref ]
6. Комитет по стандартам INACSL. Стандарты моделирования здравоохранения передовой практикиTM Процесс подведения итогов. Клиническое моделирование в сестринском деле 2021;58:27-32. [ Crossref ]
7. Ламе Г., Диксон-Вудс М. Использование клинического моделирования для изучения того, как улучшить качество и безопасность в здравоохранении. BMJ Simul Technol Enhanc Learn 2020;6:87-94. [ Crossref ] [ PubMed ]
8. Кау Р., Фаа Г., Нарди В. и др. Длительная диагностика COVID: от диагностических до продвинутых моделей на основе ИИ. Eur J Radiol 2022;148:110164. [ Crossref ] [ PubMed ]
9. Рапарти М. Системы поддержки принятия решений на основе ИИ для точной медицины: изучение разработки и внедрения систем поддержки принятия решений на основе ИИ в точной медицине. Журнал исследований искусственного интеллекта 2021;1:11-20.
10. Lyon JY, Bogodistov Y, Moormann J. Оптимизация на основе искусственного интеллекта в здравоохранении: диагностический процесс. European Journal of Management Issues 2021;29:218-31. [ Crossref ]
11. Комито С., Фальконе Д., Форестьеро А. Поддержка клинических решений на основе ИИ: улучшение диагностики заболеваний с использованием сходства пациентов. IEEE Access 2022;10:6878-88.
12. Moher D, Liberati A, Tetzlaff J, et al. Предпочтительные элементы отчетности для систематических обзоров и метаанализов: заявление PRISMA. Ann Intern Med 2009;151:264-9, W64.
13. Эшель И., Хури-Яфин А., Бенкузари Х. и др. Оценка платформы Parasight для диагностики малярии. J Clin Microbiol 2017;55:768-75. [ Crossref ] [ PubMed ]
14. Romero-Brufau S, Wyatt KD, Boyum P и др. Урок внедрения: предварительное и последующее исследование опыта поставщиков услуг в области поддержки принятия клинических решений на основе искусственного интеллекта. Int J Med Inform 2020;137:104072. [ Crossref ] [ PubMed ]
15. Абрамофф М.Д., Лавин П.Т., Бирч М. и др. Основное испытание автономной диагностической системы на основе ИИ для выявления диабетической ретинопатии в отделениях первичной медико-санитарной помощи. NPJ Digit Med 2018;1:39. [ Crossref ] [ PubMed ]
16. Аоки Т., Ямада А., Аояма К. и др. Клиническая полезность системы, основанной на глубоком обучении, в качестве первого скринингового исследования при чтении результатов капсульной эндоскопии тонкой кишки. Dig Endosc 2020;32:585-91. [Crossref ] [ PubMed ]
17. Arbabshirani M.R., Fornwalt B.K., Mongelluzzo G.J. и др. Расширенное машинное обучение в действии: идентификация внутричерепного кровоизлияния на снимках компьютерной томографии головы с интеграцией клинического рабочего процесса. NPJ Digit Med 2018;1:9. [ Crossref ] [ PubMed ]
18. Бейли T.C., Чен Y., Мао Y. и др. Испытание оповещения в реальном времени о клиническом ухудшении состояния пациентов, госпитализированных в общие терапевтические отделения. J Hosp Med 2013;8:236-42. [ Crossref ] [ PubMed ]
19. Баринов Л., Джайрадж А., Беккер М. и др. Влияние представления данных на эффективность работы врача с использованием систем компьютерной диагностики и поддержки принятия решений на основе искусственного интеллекта. J Digit Imaging 2019;32:408-16. [ Crossref ] [ PubMed ]
20. Бодуан М., Кабанза Ф., Нолт В. и др. Оценка возможностей машинного обучения для системы поддержки принятия клинических решений с целью улучшения программ управления противомикробными препаратами. Artif Intell Med 2016;68:29-36. [ Crossref ] [ PubMed ]
21. Bien N., Rajpurkar P., Ball R..L и др. Диагностика с использованием глубокого обучения для магнитно-резонансной томографии колена: разработка и ретроспективная проверка MRNet. PLoS Med 2018;15:e1002699. [ Crossref ] [ PubMed ]
22. Бреннан М., Пури С., Озразгат-Басланти Т. и др. Сравнение клинического суждения с алгоритмом MySurgeryRisk для предоперационной оценки риска: пилотное исследование удобства использования. Хирургия 2019;165:1035-45. [ Crossref ] [ PubMed ]
23. Chen D., Wu L., Li Y. и др. Сравнение слепых пятен неседативной ультратонкой, седативной и неседативной обычной гастроскопии с искусственным интеллектом и без него: перспективное, простое слепое, рандомизированное, одноцентровое исследование с тремя параллельными группами. Gastrointest Endosc 2020;91:332-339.e3. [ Crossref ] [ PubMed ]
24. Коннелл А., Монтгомери Х., Мартин П. и др. Оценка цифрового пути оказания помощи при остром повреждении почек при неотложной госпитализации. NPJ Digit Med 2019;2:67. [ Crossref ] [ PubMed ]
25. Giannini H.M., Ginestra J.C, Chivers C. и др. Алгоритм машинного обучения для прогнозирования тяжелого сепсиса и септического шока: разработка, внедрение и влияние на клиническую практику. Crit Care Med 2019;47:1485-92. [ Crossref ] [ PubMed ]
26. Джинестра Дж. К., Джаннини Х. М., Швайкерт В. Д. и др. Восприятие врачами системы раннего оповещения на основе машинного обучения, предназначенной для прогнозирования тяжелого сепсиса и септического шока. Crit Care Med 2019;47:1477-84. [ Crossref ] [ PubMed ]
27. Gómez-Vallejo H., Uriel-Latorre B., Sande-Meijide M. и др. Система рассуждений на основе прецедентов для помощи в обнаружении и классификации внутрибольничных инфекций. Системы поддержки принятия решений 2016;84:104-16. [ Crossref ]
28. Grunwald I.Q., Ragoschke-Schumm A., Kettner M. и др. Первая автоматизированная оценка визуализации инсульта с помощью электронной программы Альберты по инсульту. Ранняя оценка КТ в мобильном инсультном отделении. Cerebrovasc Dis 2016;42:332-8. [ Crossref ] [ PubMed ]
29. Канагасингам Y., Сяо D., Виньяраджан J. и др. Оценка классификации диабетической ретинопатии на основе искусственного интеллекта в первичной медицинской помощи. JAMA Netw Open 2018;1:e182665. [ Crossref ] [ PubMed ]
30. Keel S., Lee P.Y., Scheetz J. и др. Осуществимость и приемлемость для пациентов новой модели скрининга диабетической ретинопатии на основе искусственного интеллекта в амбулаторных эндокринологических службах: пилотное исследование. Sci Rep 2018;8:4330. [ Crossref ] [ PubMed ]
31. Киани А., Уйумазтурк Б., Раджпуркар П. и др. Влияние помощника по глубокому обучению на гистопатологическую классификацию рака печени. NPJ Digit Med 2020;3:23. [ Crossref ] [ PubMed ]
32. Лагани В., Кьяруги Ф., Манусос Д. и др. Реализация услуги по долгосрочной оценке риска осложнений, связанных с диабетом. J Diabetes Complications 2015;29:691-8. [ Crossref ] [ PubMed ]
33. Lin H., Li R., Liu Z. и др. Диагностическая эффективность и способность принятия терапевтических решений платформы искусственного интеллекта для лечения детской катаракты в глазных клиниках: многоцентровое рандомизированное контролируемое исследование. EClinicalMedicine 2019;9:52-9. [ Crossref ] [ PubMed ]
34. Линдси Р., Далуйски А., Чопра С. и др. Глубокая нейронная сеть улучшает обнаружение переломов врачами. Proc Natl Acad Sci USA 2018;115:11591-6. [ Crossref ] [ PubMed ]
35. Liu W.N., Zhang Y.Y., Bian X.Q. и др. Исследование частоты обнаружения полипов и аденом при колоноскопии с использованием искусственного интеллекта. Saudi J Gastroenterol 2020;26:13-9. [ Crossref ] [ PubMed ]
36. Mango V.L., Sun M., Wynn R.T. и др. Следует ли нам игнорировать, следовать или делать биопсию? Влияние поддержки принятия решений с помощью искусственного интеллекта на оценку поражений молочной железы с помощью УЗИ. AJR Am J Roentgenol 2020;214:1445-52. [ Crossref ] [ PubMed ]
37. Martin C.M., Vogel C., Grady D. и др. Внедрение комплексной адаптивной хронической помощи: система Patient Journey Record (PaJR). J Eval Clin Pract 2012;18:1226-34. [ Crossref ] [ PubMed ]
38. Маккой А., Дас Р. Сокращение смертности пациентов, продолжительности пребывания в стационаре и повторных госпитализаций с помощью прогнозирования сепсиса на основе машинного обучения в отделениях неотложной помощи, интенсивной терапии и отделениях на уровне больницы. BMJ Open Qual 2017;6:e000158. [ Crossref ] [ PubMed ]
39. Макнамара Д.М., Голдберг С.Л., Латтс Л. и др. Дифференциальное влияние когнитивных вычислений, дополненное реальными доказательствами, на начинающих и опытных онкологов. Cancer Med 2019;8:6578-84. [ Crossref ] [ PubMed ]
40. Mori Y, Kudo SE, Misawa M и др. Использование искусственного интеллекта в реальном времени для идентификации небольших полипов во время колоноскопии: перспективное исследование. Ann Intern Med 2018;169:357-66. [ Crossref ] [ PubMed ]
41. Нагаратнам К., Харстон Г., Флоссманн Э. и др. Инновационное использование искусственного интеллекта и цифровой коммуникации в остром инсультном пути в ответ на COVID-19. Future Healthc J 2020;7:169-73. [ Crossref ] [ PubMed ]
42. Натараджан С., Джейн А., Кришнан Р. и др. Диагностическая точность скрининга диабетической ретинопатии на уровне сообщества с использованием автономной системы искусственного интеллекта на смартфоне. JAMA Ophthalmol 2019;137:1182-8. [ Crossref ] [ PubMed ]
43. Николае А., Семпл М., Лу Л. и др. Традиционное и основанное на машинном обучении планирование лечения при брахитерапии простаты: результаты рандомизированного контролируемого исследования фазы I. Брахитерапия 2020;19:470-6. [ Crossref ] [ PubMed ]
44. Park A., Chute C., Rajpurkar P. и др. Диагностика церебральных аневризм с помощью глубокого обучения с использованием модели HeadXNet. JAMA Netw Open 2019;2:e195600. [ Crossref ] [ PubMed ]
45. Ростилл Х., Нилфорушан Р., Морган А. и др. Технология интегрированного управления здравоохранением при деменции. Br J Community Nurs 2018;23:502-8. [ Crossref ] [ PubMed ]
46. Segal M.M., Williams M.S., Gropman A.L. и др. Поддержка принятия решений на основе фактических данных при неврологической диагностике сокращает количество ошибок и ненужных обследований. J Child Neurol 2014;29:487-92. [Crossref] [ PubMed ]
47. Segal M.M., Athreya B., Son M.B. и др. Поддержка принятия решений на основе фактических данных в детской ревматологии снижает диагностические ошибки. Pediatr Rheumatol Online J 2016;14:67. [ Crossref ] [ PubMed ]
48. Segal M.M., Rahm A.K., Hulse N.C. и др. Опыт интеграции программного обеспечения для поддержки принятия диагностических решений с электронными медицинскими картами: преимущества и риски обмена информацией. EGEMS (Wash DC) 2017;5:23. [ Crossref ] [ PubMed ]
49. Segal G., Segev A., Brom A. и др. Сокращение ошибок при назначении лекарств и нежелательных явлений при приеме лекарств путем применения вероятностной системы поддержки принятия клинических решений на основе машинного обучения в стационарных условиях. J Am Med Inform Assoc 2019;26:1560-5. [ Crossref ] [ PubMed ]
50. Shimabukuro D.W., Barton C.W., Feldman M.D. и др. Влияние алгоритма прогнозирования тяжелого сепсиса на основе машинного обучения на выживаемость пациентов и продолжительность пребывания в больнице: рандомизированное клиническое исследование. BMJ Open Respir Res 2017;4:e000234. [ Crossref ] [ PubMed ]
51. Sim Y., Chung MJ., Kotter E. и др. Программное обеспечение на основе глубокой сверточной нейронной сети улучшает обнаружение рентгенологами злокачественных легочных узлов на рентгенограммах грудной клетки. Radiology 2020;294:199-209. [ Crossref ] [ PubMed ]
52. Steiner DF., MacDonald R., Liu Y. и др. Влияние глубокого обучения на гистопатологический обзор лимфатических узлов при метастатическом раке молочной железы. Am J Surg Pathol 2018;42:1636-46. [ Crossref ] [ PubMed ]
53. Su JR., Li Z., Shao XJ. и др. Влияние системы автоматического контроля качества в реальном времени на обнаружение полипов и аденом толстой кишки: проспективное рандомизированное контролируемое исследование (с видео). Gastrointest Endosc 2020;91:415-424.e4. [ Crossref ] [ PubMed ]
54. Titano JJ., Badgeley M., Schefflein J., et al. Автоматизированное наблюдение за глубокими нейронными сетями изображений черепа при острых неврологических событиях. Nat Med 2018;24:1337-41. [ Crossref ] [ PubMed ]
55. Ванденберге М.Е., Скотт М.Л., Скорер П.В. и др. Значимость глубокого обучения для облегчения диагностики статуса HER2 при раке молочной железы. Sci Rep 2017;7:45938. [ Crossref ] [ PubMed ]
56. Voermans AM, Mewes JC, Broyles MR и др. Анализ эффективности затрат алгоритма принятия решений на основе прокальцитонина для управления антибиотиками с использованием реальных данных больниц США. OMICS 2019;23:508-515. [ Crossref ] [ PubMed ]
57. Wang P., Berzin TM., Glissen Brown JR. и др. Автоматическая система обнаружения в реальном времени повышает показатели обнаружения колоноскопических полипов и аденом: перспективное рандомизированное контролируемое исследование. Gut 2019;68:1813-9. [ Crossref ] [ PubMed ]
58. Ван С.В., Роджерс Дж.Р., Джин И. и др. Рандомизированное исследование с ступенчатым клином для оценки вмешательства в здоровье населения, направленного на повышение адекватной антикоагуляции у пациентов с фибрилляцией предсердий. BMJ Qual Saf 2019;28:835-42. [ Crossref ] [ PubMed ]
59. Ван П., Лю Х., Берзин Т.М. и др. Влияние системы обнаружения с глубоким обучением на основе компьютера на обнаружение аденомы во время колоноскопии (исследование CADe-DB): двойное слепое рандомизированное исследование. Lancet Gastroenterol Hepatol 2020;5:343-51. [ Crossref ] [ PubMed ]
60. Wijnberge M., Geerts BF., Hol L. и др. Влияние системы раннего оповещения на основе машинного обучения об интраоперационной гипотензии по сравнению со стандартным лечением на глубину и продолжительность интраоперационной гипотензии во время плановой некардиальной хирургии: рандомизированное клиническое исследование HYPE. JAMA 2020;323:1052-60. [ Crossref ] [ PubMed ]
61. Wu X., Huang Y., Liu Z и др. Универсальная платформа искусственного интеллекта для совместного лечения катаракты. Br J Ophthalmol 2019;103:1553-60. [ Crossref ] [ PubMed ]
62. Wu L., Zhang J., Zhou W. и др. Рандомизированное контролируемое исследование WISENSE, системы улучшения качества в реальном времени для мониторинга слепых зон во время эзофагогастродуоденоскопии. Gut 2019;68:2161-9. [ Crossref ] [ PubMed ]
63. Yoo YJ., Ha EJ., Cho YJ. и др. Компьютерная диагностика узлов щитовидной железы с помощью ультрасонографии: начальный клинический опыт. Korean J Radiol 2018;19:665-72. [ Crossref ] [ PubMed ]
64. Лю С., Лю С., У Ф. и др. Использование искусственного интеллекта (Watson for Oncology) для рекомендаций по лечению китайских пациентов с раком легких: исследование осуществимости. J Med Internet Res 2018;20:e11087. [ Crossref ] [ PubMed ]
65. Sun Y. ИИ может помочь решить проблему нехватки врачей в Китае. MIT Technology Review. 21 марта 2018 г.
66. Longoni C., Bonezzi A., Morewedge CK.. Устойчивость к медицинскому искусственному интеллекту. Журнал исследований потребителей 2019;46:629-50. [ Crossref ]
67. Shaffer VA., Probst CA., Merkle EC. и др. Почему пациенты унижают врачей, которые используют компьютерную систему диагностической поддержки? Med Decis Making 2013;33:108-18. [ Crossref ] [ PubMed ]
68. Стефани FL., Шарма RS. Получение ценности в экосистемах цифрового здравоохранения: стратегии проверки для заинтересованных сторон. Бока-Ратон: CRC Press, Taylor and Francis Group; 2021.  

doi: 10.21037/jmai-24-294
Цитировать эту статью как: Ullah W., Ali Q. Роль искусственного интеллекта в здравоохранении: систематический обзор. J Med Artif Intell 2025;8:24. 
Перевод: Сапар Туганов
Источник: https://jmai.amegroups.org/article/view/9683/html