Видение интеллектуальных машин, помогающих людям в повседневной жизни, десятилетиями широко обсуждалось писателями, режиссерами и исследователями. Однако из-за отсутствия соответствующей инфраструктуры до недавнего времени это было просто научной фантастикой. Быстрый технологический прогресс оснастил компьютеры непревзойденной вычислительной мощностью, которая позволяет им запускать сложные алгоритмы и обрабатывать миллионы точек данных за считанные секунды. Таким образом, область искусственного интеллекта (ИИ) стала вызывать широкий и актуальный интерес в академических кругах и бизнесе, вселяя надежду на новаторские открытия и оптимальное выполнение рутинных задач.

Считается, что система действует разумно, когда она делает то, что соответствует ее цели и обстоятельствам, может реагировать на меняющиеся условия и меняющиеся задачи, а также учится на опыте, чтобы повысить свою надежность в будущем (Poole, 1998). В целях создания таких систем были разработаны различные подмножества ИИ, в первую очередь машинное обучение (МО), основанное на алгоритмах, которые можно обучать на данных, не полагаясь на явно запрограммированные правила (Pyle & San José, 2015). . Это показано на рисунке 2.

В эпоху изобилия данных и изощренных статистических методов машинное обучение доказало свой потенциал и нашло множество применений в разных отраслях. Примером могут служить автономные транспортные средства и персонализированные рекомендации фильмов Netflix. Очевидно, что было предпринято много попыток использовать ИИ и машинное обучение, чтобы произвести революцию в здравоохранении. К сожалению, в этом случае машинное обучение пока не смогло полностью реализовать свои обещания, поскольку отсутствуют существенные доказательства его эффективности, особенно в отношении последствий для здоровья (Cabitza, Rasoini & Gensini, 2017). Тем не менее, здравоохранение привлекает беспрецедентное внимание и огромное финансирование в этом отношении, и, по прогнозам, эта шумиха будет развиваться еще дальше, как показано на рисунке 3.

Как так получилось, что, несмотря на передовые технологии и значительные вливания капитала, медицинская практика в последние годы не продвинулась заметно в сторону автоматизации? Как эффективно внедрять цифровые решения? Ответы на эти вопросы важны по ряду причин:

1) На карту поставлена ​​человеческая жизнь. Врачи, ученые и лица, определяющие политику, этически обязаны прилагать все усилия, чтобы максимально использовать потенциал доступных технологий для улучшения качества медицинской помощи.

2) Финансовое бремя здравоохранения огромно и постоянно растет (Keehan et al., 2015). Автоматизация некоторых аспектов клинической работы, безусловно, могла бы снизить стоимость предоставляемых услуг. По данным Accenture, совокупная экономия благодаря ИИ-приложениям для здравоохранения, возможно, достигнет 150 миллиардов долларов к 2026 году только в США (Collier Matt, Fu Richard & Yin Lucy, 2017).

3) Помимо искусственного интеллекта и машинного обучения, в медицине есть много важных областей исследований, поэтому финансируемые государством проекты в области ИИ должны быть подкреплены убедительными доказательствами.

Поэтому важно понимать потенциальные преимущества и текущие ограничения ИИ и МО и рассматривать их в контексте клинической помощи. Какой бы прорывной ни была эта технология, для получения желаемых результатов необходимо учитывать сложный характер медицинской практики, тонкости организаций здравоохранения и пожелания пациентов и врачей. Цель этого поста — изучить важнейшие проблемы производительности, социальные и этические вопросы, связанные с использованием ИИ и машинного обучения в здравоохранении, и найти решения.

Представление

Кто делает это лучше: человек или машина?

Крайне важно понять, как работает машинное обучение, чтобы определить области, в которых оно может принести наибольшую пользу. Вообще говоря, машинное обучение можно разделить на два типа: обучение с учителем и обучение без учителя. Они сравниваются на рисунке 4.

В обучении с учителем цель состоит в том, чтобы разработать функцию, которая создаст взаимосвязь между вводом и выводом на основе выборочных данных, чтобы наилучшим образом предсказать известную цель или результат. Он ориентирован на классификацию и прогнозирование (Deo, 2015), что намекает на то, что его использование в медицине будет в основном прогнозировать и диагностировать. Действительно, прогнозирование ишемической болезни сердца с использованием шкалы риска Framingham (Kannel et al., 1975) или автоматизированного аппарата ЭКГ, обученного обнаруживать ограниченный набор предварительно запрограммированных диагнозов на основе одномерных временных сигналов, являются относительно простыми примерами контролируемое обучение, обычно встречающееся в медицинской практике. Передовые методы контролируемого обучения открывают еще больше возможностей. Например, они помогли клиницистам определить рациональные мишени для вмешательства при сложных заболеваниях, таких как диффузная крупноклеточная В-клеточная лимфома, наиболее распространенная лимфоидная злокачественная опухоль у взрослых (Shipp et al., 2002). Они также могут использовать надежные электронные медицинские карты для раннего выявления начала заболевания (Choi et al., 2017).

С другой стороны, при неконтролируемом обучении результаты для прогнозирования не указаны (Deo, 2015). Как видно на Рисунке 4 выше, алгоритмы устанавливают естественные шаблоны в немаркированных, неклассифицированных тестовых данных, в результате чего создаются кластеры со схожими характеристиками. Результаты могут быть очень сложными для анализа, но они представляют собой очень мощный инструмент, позволяющий выявить скрытые взаимосвязи в многомерных наборах данных. Например, неконтролируемый метод позволил идентифицировать определенные общие биомолекулярные события при раке (Wei-Yi Cheng, Tai-Hsien & Anastassiou, 2013). Достижения в применении ИИ и МО в медицине очень перспективны. Эта технология может не только улучшить современную клиническую практику, но и проложить путь для новых областей, таких как прецизионная медицина (Mesko, 2017) (Krittanawong et al., 2017).

Кажется, что компьютеры могут поставить достойный диагноз быстрее и дешевле. Они не устают, не скучают и не отвлекаются. Они не полагаются на ошибочную память, а вместо этого используют миллионы точных точек данных. Нужны ли нам еще врачи? Короткий ответ: да. Медицина — очень сложная дисциплина, требующая обширного сочетания жестких и социальных навыков. Каждый пациент, который посещает клинику, имеет различную историю и симптомы. Более того, патогенез заболевания часто представляет собой гетерогенный и многофакторный процесс. Таким образом, большинство проблем в здравоохранении не относятся к проблемам с ограниченным числом известных переменных, которые можно легко закодировать в программном обеспечении, как это часто бывает в других отраслях. Представляя собой большую степень неопределенности, медицина в такой же степени искусство, как и наука. То, что всегда было общеизвестным среди врачей, по-прежнему представляет собой серьезную проблему для исследователей и разработчиков машинного обучения.

Есть еще много технических ограничений машинного обучения в медицине. С математической точки зрения МО пытается прийти к оптимальным решениям задач со многими возможными решениями (так называемые некорректно поставленные задачи) (Taylor, 2006). По сути, если поиск решения не ограничен, установленное правило принятия решений будет «подгонять» обучающие данные. Это особенно проблематично с более сложными правилами принятия решений, которые рискуют сильно привязаться к многомерному обучающему набору данных и, следовательно, не смогут обобщаться на новый набор данных. Другими словами, нужно выбирать между простыми, но универсальными решениями машинного обучения и сложными, но непредсказуемыми. Это относится к фундаментальной проблеме правильного выбора признаков в машинном обучении (Iguyon & Elisseeff, 2003) и может быть чрезвычайно рискованным в медицинском контексте, где одна ошибка может стоить жизни пациентам. Врачи превосходят в этом аспекте, так как их рассуждения гораздо более тонко настроены и они способны постоянно пересматривать свои решения. Более того, из-за динамического характера ведения пациентов статистические модели ML вряд ли могут объяснить неожиданные изменения в состоянии пациента, такие как отсутствие ответа на лечение или быстрое ухудшение. Пока искусственный интеллект может предоставлять только вероятностные результаты и т. д., но не может ответить на вопрос: Как мне эффективно управлять этим пациентом на протяжении всего его путешествия? его ценность в клинической практике ограничена. Более того, новые закономерности в данных, раскрываемых машинным обучением, действительно интересны и полезны, но не дают никаких объяснений сами по себе без и не обязательно указывают на причинно-следственную связь между двумя переменными, желанную концепцию в современной медицине. Поэтому любые наблюдения должны быть дополнительно исследованы специалистами-людьми.

Несмотря на вышеупомянутые проблемы, необходимо признать, что передовые статистические методы и красивые, сложные алгоритмы существуют и работают относительно хорошо. К сожалению, самая большая проблема, связанная с использованием искусственного интеллекта в медицине, кроется в его источнике — данных (Wachter, 2015). Медицинская информация чрезвычайно фрагментирована и зашумлена, т. е. очень важные биты данных неверны или отсутствуют, а записи переполнены нерелевантными или неразборчивыми входными данными. Это явление связано с несколькими причинами. Во-первых, условия сбора данных в клинических условиях достаточно неблагоприятны. Врачи обычно очень заняты и не уделяют должного внимания точной и полной документации историй болезни. Более того, многогранные ситуации пациентов в основном диктуют, какой тип информации будет собираться, что приводит к очень бессистемным базам данных. Отсутствие стандартизации не помогает. Различные электронные медицинские карты используются в разных учреждениях, не говоря уже о странах (Kellermann & Jones, 2013), что существенно влияет на совместимость данных. Кроме того, медицинские записи обычно не передаются поставщикам медицинских услуг из-за законных юридических соображений и соображений конфиденциальности, а также из-за личных интересов частных лиц. Пока эти проблемы не будут решены, продвижение внедрения ИИ в здравоохранение, вероятно, будет затруднено.

Почему бы и то и другое!

Объединенный потенциал современных алгоритмов и мощных компьютеров дает машинному обучению техническую возможность приблизиться и превзойти медицинских работников во многих когнитивных задачах. Даже вердикты, основанные на целостной оценке и тестах глазного яблока, которые, кажется, ставят всесторонних врачей выше компьютеров, не соответствуют объективному статистическому анализу (Jain, Duval & Adabag, 2014). Мы склонны переоценивать возможности человеческой интуиции и опыта. Тем не менее, машинное обучение ориентировано исключительно на данные без контекста (Cabitza, Rasoini & Gensini, 2017). Это сильно влияет на ценность выходного диагноза, терапии и прогноза, в которых отсутствуют соответствующие психологические, социальные, реляционные и организационные вопросы. Эти важные факторы трудно включить в машинное обучение из-за их качественного, а не количественного характера. Демонстрируя взаимодополняющие преимущества и ограничения, врачи и компьютеры должны восприниматься как командные игроки, а не как прямые конкуренты, вопреки предположениям в СМИ, которые задаются вопросом, заменит ли ИИ врачей (BBC, 2018).

Чтобы преодолеть склонность машинного обучения к переобучению данных и упущению клинического контекста, врач должен контролировать и оценивать результаты, полученные машиной, как показано на рисунке 5 выше. Это обеспечит очень высокую чувствительность, более низкую стоимость и экономию времени, сохраняя при этом специфичность и безопасность пациента (Deo, 2015). Даже крупнейшие корпоративные игроки в области машинного обучения, такие как IBM Watson, подчеркивают, что интеллектуальные системы предназначены для дополнения клинической практики и не могут работать независимо (Wachter, 2015). Поэтому крайне важно привлекать врачей на каждом этапе разработки продукта. Организации здравоохранения и практикующие врачи должны выяснить, как сделать это сотрудничество максимально продуктивным. Это, безусловно, предполагает открытие черного ящика, которым является машинное обучение (Jastrzebski, 16 ноября 2018 г.). Программное обеспечение должно быть способно давать рациональные объяснения получаемых им результатов и использовать интуитивно понятные инструменты визуализации, которые позволят практикующим врачам лучше понять влияние различных переменных воздействия (Cabitza, Rasoini & Gensini, 2017). Однако такие улучшения не освобождают клиницистов от приобретения прочных навыков критической и аналитической оценки решений ИИ. В институциональном плане учебная программа медицинского вуза должна быть обновлена ​​для будущего поколения врачей, чтобы включить хотя бы базовую подготовку по информационным технологиям. В идеале это может включать в себя навыки кодирования и разработки программного обеспечения, а также введение в расширенную статистику. Университеты по всему миру могут рассмотреть вопрос о расширении предложения дополнительных курсов, связанных с ИТ, таких как получение степени доктора медицины в области искусственного интеллекта. Интеркалированные степени в области менеджмента и биомедицинской инженерии (Имперский колледж Лондона) или iBSc в области математики, компьютеров и медицины (Университетский колледж Лондона), разработанные специально для студентов-медиков, также являются отличными примерами для подражания. Как сказал Алан Перлис, один из пионеров информатики: В симбиозе человек-машина приспосабливаться должен человек: машины не могут (Perlis, 1982). Однако переход к большей надежности цифровых решений не должен влиять на знания и профессионализм врачей — любая клиническая деквалификация должна быть предотвращена любой ценой (Hoff, 2011).

Описанные ранее проблемы, связанные с количеством и качеством данных, доступных для обучения программ машинного обучения, также необходимо решить. Разработка национальных рамок функциональной совместимости электронных медицинских карт позволит создавать большие унифицированные базы данных. Стандартизация должна быть достигнута по трем параметрам: способы отправки и получения данных, формат и структура информации, а также терминология, используемая в сообщениях (Kellermann & Jones, 2013). ИТ-системы здравоохранения должны быть просты в использовании, чтобы стимулировать сбор полных и точных данных и не замедлять работу врачей (Campbell et al., 2006). Компании должны работать в тесном контакте с поставщиками медицинских услуг, которые могут предоставить исчерпывающие наборы данных, собранные от миллионов пациентов. Понятно, что можно создать соответствующую модель стимулов, чтобы гарантировать, что все вовлеченные стороны, то есть клиники, компании ИИ и пациенты, получат выгоду от обмена своими данными. Учитывая, что некоторые из этих идей действительно реализованы на практике, качество наборов данных улучшится, но, вероятно, в любом случае оно будет далеко от совершенства. Это остается проблемой для исследователей по дальнейшему изучению методов обработки данных и применению их в реальном мире. Например, ранее существовавшие базы данных могут подвергаться интенсивному анализу данных для создания новых битов информации (Fayyad & Uthurusamy, 1996).

Отсюда следует вывод, что, несмотря на некоторые ограничения, машинное обучение обладает большими возможностями для оптимизации и автоматизации конкретных задач с использованием сложных алгоритмов и больших наборов данных. Однако наилучшие результаты достигаются, когда этот потенциал используется в дополнение к навыкам и опыту врача.

Общественное влияние

Переосмысление роли врача

Диагностика веками была основой медицинской практики. В своем бестселлере Как мы умираем (Нуланд, 1994) хирург из Йельского университета и финалист Пулитцеровской премии уважительно назвал диагноз «Загадкой» и признался:

Я использую это с большой буквы, чтобы не ошибиться в его доминировании над любым другим соображением. Удовлетворение от разгадывания Загадки — это само по себе награда и топливо, которое приводит в движение клинические двигатели самых высококвалифицированных специалистов в области медицины. Это мера каждого врача для его собственных способностей; это самый важный компонент его профессионального имиджа.

Технический анализ машинного обучения показал его способность отнимать у врачей значительную часть диагностической работы. Практики могут быть обеспокоены снижением общественного уважения к их профессии, а также к ее общей цели. Что еще хуже, они могут опасаться, что в конечном итоге они полностью потеряют работу.

Однако врачам не нужно бояться исчерпания обязанностей. Они по-прежнему являются лицами, принимающими решения, ответственными за окончательный диагноз и лечение. Решения на основе машинного обучения только повысят уверенность и сократят время, необходимое для принятия клинического решения, что, в свою очередь, повысит эффективность работы врача и позволит ему помочь большему количеству пациентов, чем когда-либо. Более того, растущее и стареющее население мира оказывает такое сильное давление на поставщиков медицинских услуг, что им в любом случае будет трудно не отставать. Согласно анализу Accenture, представленному на рис. 6, к 2026 году искусственный интеллект будет удовлетворять только 20% неудовлетворенного клинического спроса.

Парадокс: ИИ делает здравоохранение более человечным

Стоит подумать, действительно ли диагностика является наиболее важным аспектом помощи, оказываемой врачами. Пациенты обращаются в клинику по разным причинам. Они не только хотят понять и вылечить свое состояние, но им также нужен кто-то, кто выслушает, поддержит и направит. Во многих случаях нет определенного диагноза или эффективного лечения состояния пациента, и вспомогательная роль медицинской бригады становится решающей. Мы надеемся, что частичная автоматизация клинических и административных задач позволит врачам проводить больше времени с пациентами осмысленным и личным образом. Интересно, что сосредоточение внимания на пациентах и ​​более близкое знакомство с ними может привести к удивительным клиническим результатам. Ориентированный на пациента подход уменьшает количество симптомов, с которыми сталкиваются пациенты, а также повышает эффективность диагностики, приверженность лечению, выздоровление и, наконец, удовлетворенность услугами (Murtagh, 2015) (Clever et al., 2008).

Таким образом, потенциальная трансформация профессионального облика врача из преимущественно диагностического в более поддерживающий может быть действительно ценным и восхитительно гуманным. Чтобы добиться этого, все врачи должны научиться ценить комплексную помощь, а пациенты должны сохранять доверие, которое они испытывают к врачам, даже когда некоторые из их наиболее впечатляющих клинических навыков дополняются силиконовыми пластинами. Мы надеемся, что в свете революции врачи будут больше инвестировать в человеческие навыки и сочтут использование и разработку программного обеспечения, управляемого данными, полезными.

Этические соображения

Безопасность и ответственность

Поскольку искусственный интеллект, по-видимому, штурмом берет здравоохранение, необходимо задуматься об этических проблемах, которые могут возникнуть. В какой мере мы должны доверять «мыслящим компьютерам»? Недавний случай из нью-йоркского Мемориального онкологического центра имени Слоуна-Кеттеринга доказывает, что чрезмерная зависимость от компьютерных решений может привести к трагическим последствиям. А именно, в больнице был развернут IBM Watson, который, как сообщается, создавал «небезопасные и неправильные» планы лечения больных раком (Spitzer, 2018). Технического гиганта обвинили в обучении на гипотетических случаях вместо реальных данных пациентов и игнорировании рекомендаций. Недопустимо допускать такие ситуации, так как безопасность пациента превыше всего. Будучи цифровым инструментом, ИИ может инстинктивно восприниматься как более безопасный, чем, например, новые лекарства, которые непосредственно попадают в организм человека. Однако это мнение ошибочно, так как вводящие в заблуждение рекомендации могут нанести большой вред.

Предполагая, что врачи останутся лицами, принимающими окончательные решения, они также должны взять на себя окончательную ответственность за благополучие пациента. Однако это не должно освобождать поставщиков ИИ от обязанности предоставлять исчерпывающие доказательства и соблюдать правила надлежащей практики в маркетинге и продажах. В настоящее время перед политиками стоит сложная задача регулирования быстро развивающегося рынка «интеллектуальных» решений. Помимо вопросов безопасности, им необходимо усовершенствовать правовую базу в отношении безопасного обслуживания больших баз данных, одновременно позволяя пациентам сохранять полный контроль над своей личной информацией (Neame, 2013).

Забота обо всех

Цифровой характер искусственного интеллекта дает реальную надежду на сокращение неравенства в сфере здравоохранения во всем мире, поскольку он потенциально может увеличить охват и качество здравоохранения, особенно в отдаленных районах. Ценность масштабирования специальных знаний огромна. Говоря о глобальном здравоохранении, ИИ также может эффективно защищать все население. Например, компьютеры научились распознавать модели погоды и землепользования, связанные с распространением лихорадки денге — заболевания, которым рискует заболеть половина населения мира (Хорняк, 2017).

Чтобы добиться впечатляющих результатов во всем мире, компании и исследователи должны не забывать удовлетворять потребности бедных регионов с помощью своих инструментов машинного обучения и стараться предоставлять их по доступной цене.

Последние мысли

Очевидно, что искусственный интеллект находится на пути к тому, чтобы стать ключевым игроком в современном здравоохранении. Имея это в виду, крайне важно предпринять соответствующие шаги, чтобы гарантировать, что широкое внедрение ИИ действительно будет благоприятным для пациентов. На сегодняшний день, несмотря на множество успешных применений машинного обучения к медицинским данным, подавляющее большинство из них не внесли существенного вклада в клиническую помощь. Поэтому в этом посте проанализированы и сравнены когнитивные способности компьютеров и людей, дано представление о социальных и этических проблемах, связанных с выгодным внедрением машинного обучения, и предложен набор стратегий для его изменения.

Машинное обучение учит программы распознавать шаблоны, которые впоследствии можно использовать для приблизительного определения результатов работы врача или направления дальнейших исследований. Чтобы создавать менее «узкие» модели ИИ в медицине, необходимо определить новые важные функции в наборах данных о пациентах. Таким образом, взаимодействие контролируемого и неконтролируемого обучения может привести к удивительным открытиям и идентификации молекулярных путей, вызывающих заболевание, которые недоступны человеческому восприятию. Однако, по словам Део (2015):

Это поднимает вопрос о лежащей в основе патофизиологической основе сложного заболевания у любого конкретного человека: закодировано ли оно редко в ограниченном наборе аберрантных путей, которые могут быть восстановлены в процессе неконтролируемого обучения (хотя и с правильным набором признаков и достаточно большой выборкой). размер), или же это расплывчатый, многофакторный процесс с сотнями мелких детерминант, комбинирующихся весьма вариабельным образом у разных людей? В последнем случае понятие «прецизионная медицина» вряд ли принесет большую пользу.

Следовательно, можно было бы провести дополнительные исследования сложностей сложных заболеваний, чтобы изучить возможности и проблемы, связанные с такой захватывающей областью, как точная медицина. Более того, тематика этого поста связана преимущественно с машинным обучением, применяемым непосредственно к клиническим задачам. Существует множество возможных применений искусственного интеллекта, которые не были исследованы, например, медицинское образование (Kolachalama & Garg, 2018) или автоматизация административных задач (Smith, 2018), и они также имеют ключевое значение для общего улучшения здравоохранения. Социальные и этические вопросы, которые были описаны в посте, также очень важны. Следовательно, можно было бы разработать более подробное юридическое понимание и предложения по платежным схемам, чтобы обеспечить реальные решения этих проблем.

В своей книге «Цифровой доктор» доктор Роберт Вахтер (2015) использовал фразу Эрнеста Хемингуэя постепенно, а затем внезапно, чтобы умно описать вероятный график революции ИИ в здравоохранении. Что же предложит медицина будущего? Точно никто не знает, но будем надеяться на лучшее.

использованная литература

  1. Анч. (2019) Искусственный интеллект в медицине: как ИИ может принести пользу отрасли здравоохранения. Доступно по адресу: https://robots.net/ai/artificial-intelligence-in-medicine/.
  2. Би-би-си. (2018) Может ли искусственный интеллект заменить врачей? Доступно по адресу: https://www.bbc.co.uk/news/av/technology-44795307/could-artificial-intelligence-replace-doctors.
  3. Кабица, Ф., Расойни, Р. и Дженсини, Г. Ф. (2017) Непреднамеренные последствия машинного обучения в медицине. Джама. 318 (6), 517–518. Доступно по адресу: http://dx.doi.org/10.1001/jama.2017.7797.
  4. Кэмпбелл, Э. М., Ситтиг, Д. Ф., Эш, Дж. С., Гуаппоне, К. П. и Дайкстра, Р. Х. (2006) Типы непредвиденных последствий, связанных с компьютеризированным вводом заказов поставщиков. Журнал Американской ассоциации медицинской информатики. 13 (5), 547–556.
  5. Чой, Э., Шутц, А., Стюарт, В.Ф. и Сан, Дж. (2017) Использование моделей рекуррентных нейронных сетей для раннего выявления начала сердечной недостаточности. Журнал Американской ассоциации медицинской информатики. 24 (2), 361–370. Доступно по адресу: doi: 10.1093/jamia/ocw112.
  6. Шолле, Ф. (2017) Ограничения глубокого обучения. Доступно по адресу: https://blog.keras.io/the-limitations-of-deep-learning.html.
  7. Клевер, С. Л., Джин, Л., Левинсон, В. и Мельцер, Д. О. (2008 г.) Влияет ли общение между врачом и пациентом на удовлетворенность пациентов стационарным лечением? Результаты анализа с новой инструментальной переменной. Исследования медицинских услуг. 43 (5), 1505–1519. Доступно по: doi: 10.1111/j.1475–6773.2008.00849.x.
  8. Коллиер Мэтт, Фу Ричард и Инь Люси. (2017) Искусственный интеллект: новая нервная система здравоохранения.
  9. Део, Р. К. (2015) Машинное обучение в медицине. Тираж. 132 (20), 1920–1930 гг. Доступно по адресу: doi: 10.1161/CIRCULATIONAHA.115.001593 [doi].
  10. Файяд, У. и Утурусами, Р. (1996) Интеллектуальный анализ данных и обнаружение знаний в базах данных. Сообщения ACM. 39 (11), 24–26. Доступно по: doi: 10.1145/240455.240463.
  11. Хофф, Т. (2011) Деквалификация и адаптация врачей первичной медико-санитарной помощи с использованием двух нововведений в работе. Обзор управления здравоохранением. 36 (4), 338. Доступно по: doi: 10.1097/HMR.0b013e31821826a1.
  12. Hornyak, T. (2017) Картирование опасности лихорадки денге с помощью машинного обучения. Доступно по адресу: https://eos.org/articles/mapping-dengue-fever-hazard-with-machine-learning.
  13. Игуйон, И. и Элиссефф, А. (2003) Введение в выбор переменных и признаков. Журнал исследований машинного обучения. 3 1157–1182.
  14. Имперский колледж Лондон. Интеркалированная программа бакалавриата. Доступно по адресу: https://www.imperial.ac.uk/medicine/study/undergraduate/intercalated-bsc-programme/.
  15. Джейн Р., Дюваль С. и Адабаг С. (2014) Насколько точен тест на глазное яблоко?: сравнение субъективной оценки врача со статистическими методами при оценке риска смертности после операции на сердце. Сердечно-сосудистая система. Качество и исходы. 7 (1), 151. Доступно по: doi: 10.1161/CIRCOUTCOMES.113.000329.
  16. Ястшебский Станислав. (16 ноября 2018 г.) Как нейронные сети начинают учиться. Наука: польские взгляды. 16–17 ноября 2018 г., Оксфордский университет.
  17. Каннел В.Б., Дойл Дж.Т., Макнамара П.М., Квикентон П. и Гордон Т. (1975) Предвестники внезапной коронарной смерти. Факторы, связанные с частотой внезапной смерти. Тираж. 51 (4), 606. Доступно по адресу: http://circ.ahajournals.org/cgi/content/abstract/51/4/606.
  18. Keehan, SP, Cuckler, GA, Sisko, AM, Madison, AJ, Smith, SD, Stone, DA, Poisal, JA, Wolfe, CJ & Lizonitz, JM (2015) Прогнозы национальных расходов на здравоохранение, 2014–2024 годы: более быстрый рост расходов чем последние тенденции. Здравоохранение (проект «Надежда»). 34 (8), 1407–1417. Доступно по: doi: 10.1377/hlthaff.2015.0600 [doi].
  19. Келлерманн, А.Л. и Джонс, С.С. (2013) Что потребуется для достижения еще не выполненных обещаний информационных технологий здравоохранения. Здравоохранение (проект «Надежда»). 32 (1), 63. Доступно по: doi: 10.1377/hlthaff.2012.0693.
  20. Колачалама, В. Б. и Гарг, П. С. (2018) Машинное обучение и медицинское образование. Цифровая медицина Npj. 1 (1), 1–3. Доступно по: doi: 10.1038/s41746–018–0061–1.
  21. Криттанавонг, К., Чжан, Х., Ван, З., Айдар, М. и Китай, Т. (2017) Искусственный интеллект в прецизионной сердечно-сосудистой медицине. Доступно по адресу: http://www.sciencedirect.com/science/article/pii/S0735109717368456.
  22. Меско, Б. (2017) Роль искусственного интеллекта в точной медицине. Экспертный обзор точной медицины и разработки лекарств. 2 (5), 239–241. Доступно по: doi: 10.1080/23808993.2017.1380516.
  23. Муртаг Г. (2015 г.) Клиническая коммуникация: Руководство по курсу. Лондон, Лондонская школа медицины Имперского колледжа.
  24. Ним, Р. (2013) Эффективный обмен медицинскими записями, сохранение конфиденциальности: практическая схема. Интернет-журнал по информатике общественного здравоохранения. 5 (2), 217. Доступно по: doi: 10.5210/ojphi.v5i2.4344.
  25. Нуланд, С. Б. (1994) Как мы умираем. Лондон, Чатто и Виндус.
  26. Перлис, AJ (1982) Специальный выпуск: Эпиграммы по программированию. Уведомления ACM SIGPLAN. 17 (9), 7–13. Доступно по: doi: 10.1145/947955.1083808.
  27. Пул, Д. (1998) Вычислительный интеллект: логический подход. Нью-Йорк; Оксфорд, издательство Оксфордского университета.
  28. Пайл, Д. и Сан-Хосе, К. (2015 г.) Руководство по машинному обучению для руководителей. Доступно по адресу: https://www.mckinsey.com/industries/high-tech/our-insights/an-executives-guide-to-machine-learning.
  29. Шипп М.А., Росс К.Н., Тамайо П., Венг А.П., Куток Дж.Л., Рикардо К.Т. Агуяр, Гаасенбек, М., Анджело, М., Райх, М., Пинкус, Г.С., Рэй, Т.С., Коваль, М.А., Ласт, К.В., Нортон, А., Эндрю Листер, Т., Месиров, Дж., Нойберг , DS, Lander, ES, Aster, JC & Golub, TR (2002) Предсказание исхода диффузной крупноклеточной В-клеточной лимфомы с помощью профилирования экспрессии генов и контролируемого машинного обучения. Природная медицина. 8 (1), 68. Доступно по: doi: 10.1038/nm0102–68.
  30. Смит, М. (2018) Брэдфорд, GE Healthcare объявляет об открытии больничного командного центра с искусственным интеллектом, первого в своем роде в Европе. Доступно по адресу: https://blog.thecamdengroup.com/blog/topic/command-center.
  31. Spitzer, J. (2018) Watson из IBM рекомендовал небезопасные и неправильные методы лечения рака, говорится в отчете STAT. Доступно по адресу: https://www.beckershospitalreview.com/artificial-intelligence/ibm-s-watson-recommended-unsafe-and-incorrect-cancer-treatments-stat-report-finds.html.
  32. Taylor, PD (2006) От данных пациентов к медицинским знаниям: принципы и практика медицинской информатики. Лондон, BMJ.
  33. Университетский колледж Лондона. iBSc Математика, компьютеры и медицина. Доступно по адресу: https://www.ucl.ac.uk/infection-immunity/study/ibsc-mathematics-computers-and-medicine.
  34. Вахтер, Р. М., автор. (2015) Цифровой врач: надежда, шумиха и вред на заре компьютерной эры медицины. Нью-Йорк; Лондон, McGraw-Hill Education.
  35. Wei-Yi Cheng, Tai-Hsien, O.Y. & Anastassiou, D. (2013) Биомолекулярные события при раке, выявленные метагенами аттрактора. Вычислительная биология PLoS. 9 (2), e1002920. Доступно по: doi: 10.1371/journal.pcbi.1002920.
  36. Фонд всемирной паутины. (2017) Искусственный интеллект: путь вперед в странах с низким и средним уровнем дохода.
  37. Чжоу Линда. (2018) Упростите анализ конвейера машинного обучения с помощью хранилища объектов. Доступно по адресу: https://blog.westerndigital.com/machine-learning-pipeline-object-storage/supervised-learning-diagram/.