Качество и польза приложений на основе искусственного интеллекта при оказании медицинской помощи

Искусственный интеллект (ИИ) — это огромная трансформирующуюся область, способная коренным образом изменить как сферу медицины в целом, так и способы оказания медицинских услуг в частности [1]. Термин «ИИ» относится к применению компьютеров и технологий имитации процессов построения рассуждений и принятия решений, присущих человеку [2]. Человеческий интеллект представляется одним из самых выдающихся результатов эволюционных процессов [3]. Термин «искусственный интеллект» ввел Джон МакКарти в 1956 году для обозначения области создания интеллектуальных машин с помощью науки и техники [2].

Важнейшим аспектом когнитивных способностей мозга является его умение формировать сложные модели для получения точного представления о многообразном окружающем мире. Такое моделирование позволяет нам эффективно строить прогнозы, чтобы успешно ориентироваться в окружающей среде и взаимодействовать с ней.

ИИ, напротив, охватывает широкий спектр процессов, которые позволяют компьютеру выполнять задачи, обычно требующие человеческого интеллекта. Машинное обучение — это специфическое подмножество ИИ. Оно опирается на наборы данных, которые формируют представлением об определенных средах обучения [3]. Эти наборы данных часто обширны и могут содержать миллионы различных единиц информации [4].

Эти данные используют для выявления закономерностей, которые затем используются либо для улучшения нашего понимания базовых данных, либо для составления прогнозов на основе полученной из них информации. За последнее десятилетие были достигнуты значительные успехи в области машинного обучения, в частности благодаря появлению глубоких искусственных нейронных сетей, также известных как глубокие нейросети (ГНС) [3]. Вдохновленные мозгом человека, искусственные ГНС позволяют компьютерам успешно решать когнитивные задачи, с которыми искусно справляется человек [5]. Однако, вероятно, потребуется немало лет, а возможно, даже десятилетий, чтобы машинное обучение или ИИ охватили весь спектр возможностей человеческого интеллекта.

Тем не менее в определенных областях медицины ИИ в форме машинного обучения уже показывает результаты, превосходящие возможности человека. Поскольку эти методы продолжают развиваться, крайне важно, чтобы их разработка сопровождалась критической и непредвзятой оценкой. Это позволит обеспечить соблюдение основного принципа медицины — предоставление наилучшей возможной медицинской помощи пациентам. В этом отношении на медицинских работниках лежит особая ответственность [3].

В этой статье приведены результаты всестороннего обзора важнейших аспектов, связанных с оценкой качества, пользы и ограничений ИИ-приложений в контексте оказания медицинской помощи.

Потребность в ИИ в здравоохранении

ИИ представляет собой научно-техническую область, направленную на создание разумных машин, которые следуют алгоритмам или набору правил, разработанным для воспроизведения когнитивных функций человека, таких как обучение и решение проблем. Действуя взвешенно, рационально и адаптивно, системы на основе ИИ способны прогнозировать проблемы или решать их по мере возникновения [1]. ИИ может помочь добиться существенного продвижения в достижении цели сделать здравоохранение более персонализированным, предсказуемым, превентивным и интерактивным [6].

Одно из ключевых преимуществ ИИ — его способность выявлять и анализировать закономерности и взаимосвязи в больших сложных наборах данных с множеством измерений и типов информации. Например, системы на основе ИИ способны представить обширную историю болезни пациента в виде одного числового представления, позволяющего предположить вероятный диагноз. Кроме того, за счет постоянного получения новых данных и самонастройки с их учетом, такие системы динамичны и адаптивны. Важно отметить, что ИИ — это не единая всеобъемлющая технология, поскольку он охватывает различные подобласти, такие как машинное обучение и глубокое обучение, которые, независимо друг от друга или в сочетании, повышают возможности приложений [1].

Сталкиваясь со значительными трудностями, системы здравоохранения во всем мире стремятся достичь «четырехсторонней цели», которая включает в себя улучшение здоровья населения, повышение качества медицинской помощи, повышение уровня подготовки лиц, осуществляющих уход, и сведение к минимуму растущих расходов на здравоохранение. Эти трудности усугубляются такими факторами, как старение населения, рост нагрузки, связанной с хроническими заболеваниями, и увеличение глобальных расходов на здравоохранение. Регуляторные органы, правительства, медицинские учреждения и медицинские страховые компании вынуждены внедрять инновационные решения и обновлять модели оказания медицинской помощи.

Кроме того, в условиях длительной глобальной пандемии системы здравоохранения столкнулись с насущной потребностью в предоставлении эффективной высококачественной медицинской помощи и в ее крупномасштабной трансформации. Эта трансформация предполагает использование информации, полученной на основе данных из реальной практики, непосредственно при оказании медицинской помощи. Также пандемия выявила нехватку медицинского персонала и неравенство доступа к медицинской помощи. Использование технологий и ИИ в здравоохранении может решить некоторые проблемы, связанные со спросом и предложением.

Растущая доступность разных типов данных (геномных, экономических, демографических, клинических и фенотипических) в сочетании с достижениями в области мобильных технологий, Интернета вещей (IoT), вычислительных возможностей и безопасности данных указывает на поворотный момент слияния здравоохранения и технологий. Благодаря ИИ это взаимодействие обещает коренным образом изменить модели оказания медицинской помощи в рамках систем здравоохранения [1].

Данные как основа машинного обучения

Машинное обучение представляет собой тип ИИ, основанный на статистических методах. Оно используется для создания моделей с помощью данных и последующего обучения этих моделей путем обработки полученной информации [7]. Машинное обучение — это один из наиболее распространенных типов ИИ, который способен выявлять ранее не выявленные связи, формулировать новые теории, направлять исследователей и распределять ресурсы в наиболее перспективные направления. Машинное обучение находит широкое применение в медицине при построении автоматизированных систем принятия решений врачом [7, 8].

Использование анализа данных и компьютерных алгоритмов, особенно в машинном обучении и моделировании данных, привело к появлению в клинической медицине новых клинических моделей. Более того, интеграция обширных наборов данных в информатику здравоохранения, которой способствовало распространение онлайн-источников данных, стимулировала разработку инновационных подходов к их изучению. Эти подходы включают глубокое обучение, а также методы моделирования данных, такие как сетевой анализ с использованием теории графов [9].

Глубокое обучение, подмножество машинного обучения, имитирует функционирование мозга человека за счет использования нескольких уровней искусственных нейросетей для автономного составления прогнозов на основе наборов данных для обучения [8]. В ИИ задача алгоритмов машинного обучения состоит в выявлении закономерностей или абстрактных правил в наборе данных для обучения. Впоследствии эти усвоенные закономерности применяются к новым данным для выявления определенных характеристик, составления прогнозов или формирования утверждений. По существу машинное обучение похоже на обучение человека с точки зрения изучения примеров и распознавания сходств и различий в представленной информации.

При работе с неструктурированными данными и необходимости интеграции разных типов данных проблемы ИИ-приложений становятся более очевидными. Например, существуют методы, основанные на ИИ, которые способны выявлять рак молочной железы на маммограмме с чувствительностью и специфичностью, сопоставимыми с возможностями среднестатистического рентгенолога (хотя пока и не на уровне эксперта). Однако, при использовании ИИ для извлечения значимой информации из разных источников неструктурированных данных, таких как последовательности ДНК, гистопатологические изображения и результаты лабораторных исследований, практического успеха добиться не удалось.

Кроме того, использование обширных наборов медицинских данных всегда связано с риском нарушения прав на неприкосновенность частной жизни, что в соответствии с законами о защите данных может привести к юридическим ограничениям. На сегодняшний день ограниченная доступность и качество сложных разнородных данных представляют собой противоречия, сохраняющиеся во многих аспектах, которые препятствуют эффективному внедрению ИИ-приложений в медицине [3].

Концепции машинного обучения в медицине

Подходы к машинному обучению можно разделить на 3 основные группы (см. рисунок 1):

(a) Неконтролируемое обучение: Эта стратегия направлена на выявление связей, структур или аномалий в данных без специальных инструкций или меток. Например, неконтролируемое обучение можно использовать для выявления подгрупп в сложных наборах мультиомических данных. Хотя методы неконтролируемого обучения при оказании медицинской помощи все еще находятся на этапе разработки, они обладают потенциалом для использования в будущем. В качестве примера можно привести применение машинного обучения в качестве компонента мониторинга вспышек инфекционных заболеваний в синдромном эпиднадзоре.

(b) Обучение с подкреплением: Этот подход к обучению основан на вознаграждении за определенные результаты. В медицине этот подход до сих пор изучался только в рамках научных исследований. Однако он обладает потенциалом для использования в будущем, например, для введения инсулина с учетом состояния каждого пациента с помощью подхода с обратной связью [3].

(c) Контролируемое обучение. Как следует из названия, при контролируемом обучении эксперту в соответствующей области необходимо обеспечить предоставление входных данных, из которых алгоритм может получать информацию. Эти входные данные называются размеченными входными данными. В процессе контролируемого обучения алгоритм извлекает сведения из этих размеченных данных для генерации точных выходных данных при обработке новых неразмеченных данных [9]. Как правило, такие подходы сосредоточены на классификации данных или прогнозировании будущих событий. Эти алгоритмы обучаются с использованием размеченных данных, в которых определяется поставленная цель обучения.

Например, в медицине это может включать обучение с использованием рентгенограмм, на которых отмечены аномалии, и рентгенограммах сравнения без аномалий. После этого качество закономерностей, усвоенных во время обучения, оценивают с помощью наборов данных для тестирования. Большинство одобренных ИИ-приложений основаны на контролируемом обучении и работают с единообразными однотипными данными. Например, они могут анализировать только изображения потенциальных поражений кожи для выявления злокачественных [3].

ИИ-приложения: риски и ограничения

Чтобы всесторонне оценить риски и ограничения, связанные с пригодностью приложений на основе машинного обучения, крайне важно понимать жизненный цикл машинного обучения, который включает в себя несколько взаимосвязанных этапов. Начальный этап включает фиксацию реальных условий и их максимально четкое представление в виде цифровых данных. Затем проводится тщательный выбор и подготовка соответствующих переменных. Этот процесс известен как отбор и конструирование признаков (хотя в ГНС этот шаг несколько упрощен). После этого алгоритм машинного обучения анализирует эти данные.

Результаты этого анализа применяются пользователями, как правило, врачами, и, в свою очередь, оказывают ощутимое влияние на практике, особенно с точки зрения лечения пациентов. На каждом этапе жизненного цикла машинного обучения присутствуют многочисленные частично перекрывающиеся факторы, которые могут существенно исказить результаты работы ИИ-приложения и ограничить его надежность. Эти ограничения в первую очередь объясняются тем, что практическая интеграция ИИ в процесс оказания медицинской помощи часто оказывается ниже ожидаемого уровня успеха и оптимизма, особенно в некоторых областях. Следовательно, необходим критический анализ отдельных этапов жизненного цикла машинного обучения, чтобы провести реалистичную оценку возможностей и достоинств приложений на основе машинного обучения.

(a) Реальные условия

Люди живут в реальном мире, где присутствуют социально-экономические, биологические и другие различия, которые для определенных людей или групп людей могут быть связаны с рисками или неблагоприятными факторами. В процессе сбора данных, которые составляют основу ИИ-приложения, крайне важно учитывать и, при необходимости, исправлять потенциальные погрешности такого рода [3].

(b) Цифровые данные

Данные, полученные с помощью цифровых технологий, постепенно интегрируют в исследования в области общественного здравоохранения и, как ожидается, смогут трансформировать медицину [10, 11]. Однако данные могут дать лишь частичное представление о реальном мире. Чтобы получить достаточно точное представление о реальности, в процессе сбора данных приоритет следует отдавать объективности, точности и надежности. Кроме того, при выборе источников данных важно убедиться в их достаточной репрезентативности. Однако значительный объем медицинской информации, особенно индивидуальных данных, может быть записан только в виде текста на естественном языке.

Это приводит к получению неструктурированных данных, которые требуют предварительной обработки с помощью методов, учитывающих особенности естественного языка. Более того, информацию, которую невозможно записать в цифровом виде, как правило, невозможно использовать для ИИ-приложений. Например, процесс комплексной оценки общего клинического состояния пациента на основе опыта и интуиции не получится легко перевести в формат, пригодный для использования ИИ-системами.

(c) Выбор и подготовка переменных данных

Чтобы добиться наиболее точной репрезентации реального мира с помощью ИИ-приложений, важно тщательно выбрать и подготовить используемые в них переменные. Например, при диагностике онкологического заболевания переменные могут быть ограничены результатами рентгенографии и определенными клиническими показателями. Однако этот процесс выбора переменных, наряду с последующей стандартизацией и нормализацией данных, может снизить их репрезентативность и ограничить достоверность результатов, получаемых ИИ-приложением.

(d) Разработка алгоритма

Процесс разработки алгоритма машинного обучения включает такие задачи, как создание программного кода и интеграция предварительно выбранных переменных. Однако на этом этапе могут возникать ошибки и погрешности, что часто связано с недостаточным учетом уникальных характеристик данных, использованием неподходящих пороговых значений или нечетким определением целей распознавания закономерностей. Для содействия принятию алгоритмов пользователями и поощрения критической оценки дизайна алгоритмов необходимо, чтобы алгоритм был способен предоставлять объяснения получаемых в каждом случае результатов. Эту способность объяснять результаты обычно называют «объясняемость».

(e) Применение в реальной практике

На этапе практического применения, который включает оказание медицинской помощи, ошибки и погрешности, потенциально возникающие на любом из ранее упомянутых этапов жизненного цикла машинного обучения, могут иметь негативные последствия. Особые риски возникают из-за неучтенных различий между средой обучения и реальным миром, а также из-за несоответствия ИИ-приложений их предполагаемому практическому применению.

Неточные результаты, технические проблемы, недостаточная прозрачность и отсутствие доверия могут помешать реализации всего потенциала ИИ-приложения в оказании медицинской помощи. Например, если программы на основе ИИ, предназначенные для анализа гистопатологических данных, не могут быть легко интегрированы в существующие рабочие процессы или не позволяют экономить время, возможно, их польза будет ниже ожидаемой.

И наоборот, слепое и слишком смелое использование ИИ-приложений может иметь неблагоприятные последствия, такие как игнорирование критических соображений при дифференциальной диагностике в медицинской практике.

Такое некритическое применение подходов к лечению, основанных на ИИ, сопряжено с риском лишить медицину основных человеческих элементов из-за чрезмерной зависимости от технологий. Например, недостаточно объективная оценка вероятности исхода представляет собой значительную проблему, связанную с тонким взаимодействием пациента и врача. Этические проблемы также могут усилиться, если результаты, получаемые ИИ-приложением, будут использоваться без вдумчивого рассмотрения в качестве основы при принятии решений, касающихся расстановки приоритетов и распределения ресурсов в здравоохранении [3].

Оценка качества и пользы клинических ИИ-приложений

(a) Доказательная база для оценки приложений на основе машинного обучения

Основополагающим требованием современной медицины является создание научного фонда. Следовательно, необходима возможность прозрачной оценки объективности (отсутствие неконтролируемых влияющих факторов), пригодности и корректности медицинских ИИ-приложений. Чтобы оценить качество алгоритмов ИИ для принятия решений, часто используют статистические показатели, такие как специфичность, чувствительность и точность (положительная прогностическая ценность). Эти показатели должны быть дополнены критической оценкой погрешности и рисков на протяжении всего жизненного цикла машинного обучения (рисунок 2).

Кроме того, оценка полезности, основанная на фактических данных, предполагает изучение эффективности метода в реальных условиях и сравнение его с альтернативными подходами, аналогичными методологии, используемой в клинических исследованиях. Например, такая оценка может включать проспективное интервенционное исследование, при котором диагностическая процедура, проводимая с помощью ИИ, сравнивается с традиционной. В зависимости от определенного медицинского приложения в дополнение к точности при оценке ИИ-систем важно учитывать значимые для определенного пациента исходы, такие как качество жизни, выживаемость, прогрессирование заболевания и облегчение симптомов.

Желательно, чтобы улучшение этих значимых для определенного пациента исходов было учтено на ранних этапах обучения ИИ-приложения. Такой подход необходим, чтобы приложение могло превзойти результаты диагностики и лечения, выполняемых человеком. Однако до настоящего момента лишь в ограниченном числе проспективных исследований сравнивали ИИ-приложения с существующими стандартными методами оказания медицинской помощи или демонстрировали их пользу в этом контексте. Тщательная оценка дополнительных преимуществ, обеспечиваемых ИИ-приложением, подразумевает не только оценку потенциальных рисков для безопасности пациентов, но также включает оценку таких аспектов, как экономическая эффективность (включая потенциальную экономию времени и ресурсов) и рассмотрение этических и социокультурных последствий.

(b) Применение инструментов, основанных на машинном обучении, в реальных условиях для оказания медицинской помощи

На данный момент Управление США по контролю за качеством пищевых продуктов и лекарственных средств (FDA) одобрило 521 медицинское ИИ-приложение. Хотя в Германии официальные данные недоступны, можно предположить, что на данный момент одобрено всего несколько десятков приложений. Если посмотреть на количество публикаций об ИИ, фактическое влияние одобренных в Германии приложений представляется относительно ограниченным. Этой ситуации способствуют несколько факторов, включая ранее упомянутые ограничения, связанные с доступностью данных, сложность перехода ИИ-приложений от этапа обучения к практическому использованию, а также проблемы, связанные с эффективной и экономически оправданной интеграцией их в существующие процессы здравоохранения.

Как правило, ИИ-приложения для оказания медицинской помощи считаются медицинскими изделиями и могут продаваться или использоваться только после подтверждение соответствия на основании соответствующей классификации рисков. Технически, их одобрение в первую очередь относится к оказанию помощи в принятии решений и требует, чтобы конечная ответственность оставалась за врачами, которые их используют. Следовательно, неизбирательное использование этих методов, например, слепое полагание на них (что может привести к погрешности результатов автоматизации), может быть связано с рисками. Кроме того, до сих пор публикация результатов исследований, направленных на оценку пользы, при регистрации медицинского изделия не была обязательной.

Напротив, одобрение часто основывалось на результатах функциональных тестов без сопутствующих научных исследований или результатах исследований, которые проводились в контролируемых искусственных условиях. Следовательно, качество и польза многих приложений, основанных на машинном обучении, которые уже используются в Германии, не вполне очевидны. В таблице 1 ниже представлен обзор нескольких систем, которые прошли проверку подлинности или находятся в процессе одобрения в Германии, а также примеры существующего научного обоснования для каждой ситуации.

Большинство этих приложений используют единообразные однотипные данные. Опубликованные фактические данные по одобренным ИИ-приложениям довольно разнообразны, и в некоторых случаях им не хватает ясности. Мы можем оценить полезность определенных методов на основе опубликованных результатов исследований приложений. Например, методы выявления колоректальных полипов через колоноскоп с помощью машинного обучения, а также злокачественных поражений кожи с помощью снимков, продемонстрировали уровень эффективности, сопоставимый со стандартными методами. Однако для других одобренных приложений данные о клинической полезности либо отсутствуют вообще, либо доступны только данные по определенным статистическим параметрам (таким как чувствительность и специфичность).

В некоторых случаях полезность ИИ-приложений не связана с дополнительным клиническим преимуществом, а скорее связана с большей эффективность процессов или снижением барьеров при лечении. Это особенно очевидно в ситуациях, когда на месте не хватает работников, обладающих специальных знаниями (например, для выявления редких изменений на электрокардиограмме), или когда необходима высокая пропускная способность (например, маммографический скрининг). Наконец, ИИ-приложения могут значительно повысить практическую полезность за счет снижения затрат и улучшения доступа к определенным методам лечения в регионах с недостаточным уровнем медицинского обслуживания. Примером может служить диагностика злокачественной меланомы и диабетической ретинопатии [3].

Выводы

Использование ИИ в медицинских учреждениях значительно расширилось и привело к повышению точности диагностики, большей эффективности стратегий лечения и улучшению исходов пациентов. Стремительный прогресс технологии ИИ, особенно в области генеративного ИИ и больших языковых моделей, возобновил дискуссии о том, как они могут повлиять на здравоохранение, в частности на роль медицинских работников [12].

Влияние ИИ проявляется в различных областях здравоохранения, включая выявление заболеваний на основе изображений, раннюю диагностику COVID-19 для контроля его распространения, предоставление виртуальной медицинской помощи с использованием инструментов на основе ИИ, управление электронными медицинскими картами, повышение вовлеченности пациентов и приверженности лечению, облегчение административной нагрузки на медицинских работников, выявление новых препаратов и вакцин, выявление ошибок в назначениях врача, хранение и анализ обширных данных, а также технологическое сопровождение при реабилитации.

Пандемия COVID-19 и ее влияние на здравоохранение во всем мире способствовала революционной трансформации этой сферы с помощью ИИ. Такая трансформация может стать значительным шагом на пути к удовлетворению в будущем потребностей здравоохранения [13]. Машинное обучение предлагает универсальный набор инструментов, пригодных для внедрения на любой стадии пандемии. В контексте изучения патологических процессов, когда создаются огромные объемы данных, машинное обучение ускоряет анализ и быстрое распознавание закономерностей, на которые в противном случае, при использовании обычных математических и статистических методов, потребовалось бы больше времени.

Адаптивность, способность к изменениям на основе меняющегося понимания болезни, самосовершенствование при наличии новых данных и беспристрастный подход к анализу делают машинное обучение исключительно гибким и инновационным инструментом для борьбы с возникающими инфекциями. Тем не менее поскольку машинное обучение основано на информации, извлеченной из обширных наборов данных, требуется строгий контроль качества в течение всего процесса сбора, хранения и обработки данных. Решающее значение приобретает стандартизация структур данных для различных групп населения, чтобы эти системы могли адаптироваться и обучаться на основании данных по всему миру, что ранее было недостижимо, но имеет первостепенное значение в борьбе с глобальной пандемией, подобной COVID-19.

Кроме того, учитывая присущую данным изменчивость на ранних стадиях новой пандемии, крайне важно соблюдать осторожность при вводе таких необработанных данных с обилием статистических выбросов в алгоритмы ИИ [14]. Надлежащий контроль ИИ-приложений играет ключевую роль в обеспечении безопасности пациентов, отслеживаемости и завоевании доверия и поддержки медицинских работников. Это позволит использовать потенциал ИИ-приложений для получения значительной пользы для здоровья. Эффективное управление имеет важное значение для решения регуляторных и этических проблем, а также проблем доверия, одновременно способствуя принятию и интеграции искусственного интеллекта [13].

Быстрое расширение наших знаний и информационных ресурсов, наряду с появляющимися возможностями диагностики и лечения, ставит медицину перед выбором между сокращением этой информации, чтобы обеспечить ее контролируемость, или ее всесторонним и оптимальным использованием на благо пациентов и общества. В настоящее время врачи ощущают растущую потребность идти в ногу с постоянным научным и технологическим прогрессом, однако вынуждены преодолевать экономические ограничения и соблюдать принципы сострадательного здравоохранения.

Это жонглирование иногда приводит к тому, что они работают на пределе возможностей Являясь сегодня ведущим направлением в области ИИ, машинное обучение, имитирует обучение человека и в зависимости от качества данных и вычислительных ресурсов предлагает все более точные медицинские прогнозы и классификации. Современные данные указывают на то, что поддержка ИИ может обеспечить возрастающие преимущества в профилактическом, диагностическом и терапевтическом аспектах медицинской помощи. Однако любая технология, которая косвенно влияет на медицинскую практику и, как следствие, на здоровье людей, заболевания и смертность, должна пройти тщательную оценку пользы и потенциального вреда.

На этапах обучения и применения машинного обучения могут возникать риски из-за потенциальных предубеждений, циклов неблагоприятной обратной связи и ошибок. Таким образом, ИИ-приложения представляют потенциальную опасность для пациентов и по-прежнему должны подвергаться тщательному контролю с точки зрения человеческого суждения. Для оценки качества ИИ-приложений в здравоохранении необходим широкий набор навыков. Эти навыки охватывают различные области, включая медицину, юриспруденцию, разработку процессов оказания медицинской помощи, этику, науку о данных и информатику. Поскольку не все эти аспекты относятся к медицине, медицинским работникам крайне важно развить глубокое понимание ИИ.

Это понимание необходимо для ответственной интеграции ИИ в оказание медицинской помощи и критической оценки его влияния, а также для выполнения медицинскими работниками своих обязанностей перед обществом. Учитывая сложную природу ИИ-приложений и их склонность к недостаточной прозрачности, необходимы регуляторные меры, фокусирующиеся на выраженных преимуществах, сопутствующих рисках определенных приложений и обеспечении прозрачности информационного наполнения. При ответственном применении ИИ обладает потенциалом продвижения в будущем научно обоснованного и экономически эффективного подхода к оказанию медицинской помощи, при этом сохраняя в медицине основные человеческие аспекты работы и человеческий интеллект [3].

Список литературы

1. Bajwa J, Munir U, Nori A, Williams B. Artificial intelligence in healthcare: transforming the practice of medicine. Future Healthcare Journal. 2021 Jul;8(2):e188-e194.

2. Amisha, Malik P, Pathania M, Rathaur VK. Overview of artificial intelligence in medicine. Journal of Family Medicine and Primary Care. 2019 Jul;8(7):2328-2331.

3. Wehkamp K, Krawczak M, Schreiber S. The Quality and Utility of Artificial Intelligence in Patient Care. Deutsches Ärzteblatt International. 2023 Jul 10;120.

4. Nichols JA, Herbert Chan HW, Baker MAB. Machine learning: applications of artificial intelligence to imaging and diagnosis. Biophysical Reviews. 2019 Feb;11(1):111-118.

5. Cichy RM, Kaiser D. Deep Neural Networks as Scientific Models. Trends in Cognitive Sciences. 2019 Apr;23(4):305-317.

6. Khan B, Fatima H, Qureshi A, Kumar S, Hanan A, Hussain J et al. Drawbacks of artificial intelligence and their potential solutions in the healthcare sector. Biomedical Materials & Devices. 2023 Feb 8:1-8.

7. Davenport T, Kalakota R. The potential for artificial intelligence in healthcare. Future Healthcare Journal. 2019 Jun;6(2):94-98.

8. Noorbakhsh-Sabet N, Zand R, Zhang Y, Abedi V. Artificial intelligence transforms the future of health care. The American Journal of Medicine. 2019 Jul 1;132(7):795-801.

9. Soriano-Valdez D, Pelaez-Ballestas I, Manrique de Lara A, Gastelum-Strozzi A. The basics of data, big data, and machine learning in clinical practice. Clinical Rheumatology. 2021 Jan;40(1):11-23.

10. Romero RA, Young SD. Ethical Perspectives in Sharing Digital Data for Public Health Surveillance Before and Shortly After the Onset of the COVID-19 Pandemic. Ethics Behav. 2022;32(1):22-31.

11. Lehne M, Sass J, Essenwanger A, Schepers J, Thun S. Why digital medicine depends on interoperability. NPJ Digital Medicine. 2019 Aug 20;2:79.

12. Sezgin E. Artificial intelligence in healthcare: Complementing, not replacing, doctors and healthcare providers. Digital Health. 2023 Jul 2;9:20552076231186520.

13. Al Kuwaiti A, Nazer K, Al-Reedy A, Al-Shehri S, Al-Muhanna A, Subbarayalu AV et al. A Review of the Role of Artificial Intelligence in Healthcare. Journal of Personalized Medicine. 2023 Jun 5;13(6):951.

14. Bansal A, Padappayil RP, Garg C, Singal A, Gupta M, Klein A. Utility of artificial intelligence amidst the COVID 19 pandemic: a review. Journal of Medical Systems. 2020 Sep;44:1-6.