دانلود مقاله یادگیری ماشینی و هوش مصنوعی در خدمات پزشکی
چکیده
انگیزه: در نتیجه گرایش موجود برای دیجیتال کردن سیستم های خدمات درمانی به صورت جهانی، داده های تولید شده در خدمات درمانی احتمالا به 2314 اگزابایت داده جدید در سال 2020 می رسد.
توسعه رو به رشد سیستم های هوش مصنوعی به هدف ارائه استدلال بهتر و استفاده موثرتر از داده های جمع آوری شده صورت گرفته است. این کاربرد تنها محدود به تفسیر گذشته نگر نیست بلکه می تواند جمع بندی های تشخیصی را هم ارائه کند. همچنین این روش ها را می توان به صورتی توسعه داد که با تشخیص اولیه، بتوانند تفسیر های آینده نگر را ایجاد کنند. با این وجود، پزشک هایی که می توانند از این سیستم ها استفاده کنند، احساس می کنند که در خلا بین موارد بالینی و نظرات فنی دقیق قرار گرفته اند. کمبود آن ها یک نقطه آغازین مشخص است که از آن، می توان به دنیای یادگیری ماشینی در پزشکی نزدیک شد.
روش شناسی و ساختار اصلی: این مقاله به هدف ارائه کردن دیدگاه های ساده در رابطه با هوش مصنوعی (AI) و یادگیری ماشینی (ML) در زمینه پزشکی برای پزشکان علاقه مند و پیشرفت های مربوطه در سال های اخیر، ارائه شده است.
به این منظور، ما اول مسیر های توسعه عمومی در رابطه با مفاهیم استفاده از AI و ML در سیستم های خدمات درمانی را بررسی می کنیم. سپس ما زمینه هایی را ارائه می کنیم که این تکنولوژی ها از قبل تست یا استفاده شده اند مانند هماتولوژی، نورولوژی، علوم قلب، سرطان شناسی، رادیولوژی، چشم پزشکی، زیست شناسی سلولی و درمان سلولی.
مقدمه
معرفی تکنولوژی اطلاعات در زمینه خدمات درمانی باعث بهبود در ابعاد مختلف شده است [1]، که از دیجیتال سازی داده های بیماران در سیستم های گزارش الکترونیک درمانی (EHR) [2] شروع شده و سیستم هایی را شامل می گردد که می تواند برای تصمیم گیری های بالینی مورد استفاده قرار بگیرد [3].
در نتیجه دیجیتال شدن سیستم های خدمات درمانی در سراسر جهان، داده های خدمات درمانی تولید شده در سال 2011 احتمالا 150 اگزابایت هستند و تخمین زده می شود که 2314 اگزابایت داده جدید در سال 2020 تولید شود [4 و 5]. اما، پردازش کردن این داده ها به صورت موثر به صورتی که بتوان اطلاعات مفید و دانش جدید از آن ها به دست آورد، یک چالش جدی در این زمینه می باشد. در واقع، افزایش گسترده داده های جمع آوری شده فراتر از سیستم های تحلیل داده فعلی می باشد. در نتیجه، سیستم های خدمات درمانی به صورت افزایشی در حال توسعه هستند. این موضوع با نام سندرم داده های غنی/ سیستم های اطلاعاتی ضعیف (DRIP) شناخته می شود [6]. DRIP به این معنی است که ما بیشتر از حد توانایی تحلیل خودمان، داده جمع آوری کرده ایم. خوشبختانه، با آخرین پیشرفت ها در تحلیل داده ها و سیستم های تصمیم گیری، رفع این چالش به نظر ممکن می آید.
جمع بندی
از نقطه نظر پزشک و بررسی جدید ترین روش های ML و AI در زمینه پزشکی، سوال ما این است که آیا ما آماده هستیم تا به صورت کامل از این تکنولوژی در زمینه کاری خودمان استفاده کنیم یا خیر؟ پاسخ این است که هنوز محدودیت های بسیار زیادی برای استفاده از این سیستمها در خدمات درمانی وجود دارد. این محدودیت ها شامل نیاز به راهنمایی های اخلاقی و قانونی و چارچوبهایی برای کار با نمونه های واقعی می باشد. تمرین در چندین سطح برای آماده کردن پیش زمینه های مناسب در پزشکان در رابطه با این تکنولوژی ها ضروری می باشد. همچنین این سوال وجود دارد که چطور می توان این روش ها را به صورت ایمن و کامل در روش های بالینی متداول، ادغام کرد. و زیر ساختهای مناسب برای اجرا کردن این سیستم ها به چه صورت است؟ همچنین، بار مالی نیز معمولا اهمیت زیادی دارد و حداقل در مرحله آماده سازی باید در نظر گرفته شود [73]. با بررسی کردن ابعاد مثبت، این سیستم ها به پزشک کمک می کند تا بتوانند در زمان و کار خودشان صرفه جویی کنند و پزشک در تصمیم گیری کار راحت تری را خواهد داشت. با در نظر داشتن نمونه های بسیار زیاد مورد نیاز برای تمرین این سیستم ها، نمونه هایی که این سیستم ها بررسی کرده اند بیشتر از نمونه هایی است که پزشکان در کل عمر خودشان می توانند بررسی کنند که این موضوع اهمیت بسیار زیادی دارد [74]. AI به تنهایی یا همراه با ML می تواند یک راهکار بسیار موثر برای ارتقای کیفیت پزشکی فردی و تسریع تکامل روش های تشخیص و درمان پیچیده باشد مانند زمینه های ژنتیک، مولکول های کوچک و درمان با هدف گیری کاملا دقیق.
به نظر ما، تغییرات دیجیتال در خدمت پزشکی باید مبتنی بر تخصص بالینی- برای تضمین بیشترین کارایی- و راهنمایی دقیق IT باشد تا محدودیت های آن رفع شود.
Abstract
Motivation As a result of the worldwide health care system digitalization trend, the produced healthcare data is estimated to reach as much as 2314 Exabytes of new data generated in 2020.
The ongoing development of intelligent systems aims to provide better reasoning and to more efficiently use the data collected. This use is not restricted retrospective interpretation, that is, to provide diagnostic conclusions. It can also be extended to prospective interpretation providing early prognosis. That said, physicians who could be assisted by these systems find themselves standing in the gap between clinical case and deep technical reviews. What they lack is a clear starting point from which to approach the world of machine learning in medicine.
Methodology and Main Structure This article aims at providing interested physicians with an easy-to-follow insight of Artificial Intelligence (AI) and Machine Learning (ML) use in the medical field, primarily over the last few years.
To this end, we first discuss the general developmental paths concerning AI and ML concept usage in healthcare systems. We then list fields where these technologies are already being put to the test or even applied such as in Hematology, Neurology, Cardiology, Oncology, Radiology, Ophthalmology, Cell Biology and Cell Therapy.
Introduction
The introduction of information technology in the field of healthcare has provided improvements on numerous aspects [1], starting from digitization of patient data in electronic health records (EHR) [2] to providing clinical decision making [3]
As a result of the worldwide health care system digitalization trend,the produced healthcare data in 2011 have been estimated to be 150 Exabytes 150 * 10^18, and it is estimated to have 2314 Exabytes of newly produced data in 2020 [4,5]. However, processing these data efficiently so that useful information and new knowledge can be extracted remains a real challenge. In fact, the ever-increasing amount of collected data withstands the ability of current data analysis systems. As a result, healthcare systems are increasingly burdened. This is called the “Data Rich/Information Poor (DRIP)” syndrome [6]. DRIP means that we are collecting more data than we can analyze. Fortunately, with the latest advancements in data analysis and decision-making systems, overcoming this challenge seems to finally be feasible.
Conclusion
From the standpoint of physicians reviewing the current stage of ML and AI in healthcare, the question is now are we ready to completely adopt the assistance of this technology in our profession? The answer is that there are still many limitations to fully incorporate these systems in the field of healthcare. These include the need for legal and ethical guidelines and frameworks that deal with critical cases. Multi-level training which would provide physicians with the proper background concerning this technology is imperative. And then there is the question of how to integrate it safely and compassionately into daily clinical practice. And what is the proper infrastructure to implement these systems? To add to this, financial burden is equally a matter to be considered, at least in the set-up phase [73]. Looking to the positive, such systems would help physicians save time and effort and would assist physicians in the decision-making process. Given the enormous number of examples these systems are trained with, their observations exceed what any physician alone has witnessed throughout their career and can be of great benefit [74]. AI alone or in partnership with ML seems to be an effective solution for enhancing the quality of personalized medicine and for accelerating the rhythm of evolution for complex diagnostic and therapeutic techniques such as in the field of genetics, small molecule, and super target therapies.
In our opinion, digital transformation in the service of medicine must be based both on clinical expertise—to guarantee maximum effectiveness—and on precise IT guidance in order to overcome limitations.
(جهت بزرگ نمایی روی عکس کلیک نمایید)
چکیده
مقدمه
تعاریف اولیه
پذیرش بیمار: به دست آوردن داده های اولیه بیمار
رادیولوژی
هماتولوژی
نورولوژی
سرطان شناسی
زیست شناسی سلولی و سلول درمانی
قلب و عروق
چشم پزشکی
جمع بندی
منابع
ABSTRACT
Introduction
Basic definitions
Patient Intake: obtaining initial patient data
Radiology
Hematology
Neurology
Oncology
Cell biology and cell therapy
Cardiology
Ophthalmology
Conclusion
References
- اصل مقاله انگلیسی با فرمت ورد (word) با قابلیت ویرایش
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه