Sogʻliqni saqlashdagi sunʼiy intellekt

Vikipediya, ochiq ensiklopediya
Qoʻlning rentgenogrammasi, kompyuter dasturi yordamida suyak yoshini avtomatik hisoblash

Sogʻliqni saqlashdagi sunʼiy intellekt — bu murakkab tibbiy va sogʻliqni saqlash maʼlumotlarini tahlil qilish, taqdim etish va tushunishda inson idrokiga taqlid qilish uchun mashinani oʻrganish algoritmlari va dasturiy taʼminoti yoki sunʼiy intellektdan (AI) foydalanishni tavsiflash uchun ishlatiladigan umumiy atama.

Sogʻliqni saqlash bilan bogʻliq AI ilovalarining asosiy maqsadi klinik usullar va bemorning natijalari oʻrtasidagi munosabatlarni tahlil qilishdir[1]. AI dasturlari diagnostika, davolash protokolini ishlab chiqish, dori-darmonlarni ishlab chiqish, shaxsiylashtirilgan tibbiyot va bemorlarni kuzatish va parvarish qilish kabi amaliyotlarda qoʻllaniladi. Foydali tushunchalar va bashoratlarni olish uchun mashinani oʻrganish modellari katta hajmdagi kirish maʼlumotlaridan foydalangan holda oʻqitilishi kerak. AI algoritmlari ikki jihatdan odamlardan farq qiladi: (1) algoritmlar tom maʼnoda: maqsad qoʻyilgandan soʻng, algoritm faqat kiritilgan maʼlumotlardan oʻrganadi va faqat nima qilish uchun dasturlashtirilganligini tushunishi mumkin, (2) va baʼzi chuqur oʻrganish algoritmlar qora qutilardir; algoritmlar oʻta aniqlik bilan bashorat qilishlari mumkin, ammo maʼlumotlar va ishlatiladigan algoritm turidan tashqari, uning qarorlari ortidagi mantiqqa juda kam yoki hech qanday tushunarli tushuntirish bermaydi[2].

Bundan tashqari, maʼlumotlar maxfiyligi, ish oʻrinlarini avtomatlashtirish va vakillik tarafdorlari kabi amaliyot bilan bogʻliq misli koʻrilmagan axloqiy tashvishlarga koʻproq eʼtibor qaratilmoqda[3].

Tarixi[tahrir | manbasini tahrirlash]

1960 va 1970-yillardagi tadqiqotlar birinchi muammoni hal qilish dasturini yoki Dendral deb nomlanuvchi ekspert tizimini yaratdi[4]. U organik kimyoda qoʻllash uchun moʻljallangan boʻlsa-da, u MYCIN keyingi tizimi uchun asos boʻldi[5], tibbiyotda sunʼiy intellektning eng muhim erta foydalanishlaridan biri hisoblanadi.[5][6][7]

Shu vaqt ichida tadqiqotchilar va ishlab chiquvchilar sogʻliqni saqlash sohasidagi AI tizimlari mukammal maʼlumotlarning yoʻqligi va shifokorlar tajribasiga asoslanishi uchun moʻljallangan boʻlishi kerakligini tan olishdi[8]. Sogʻliqni saqlashda aqlli hisoblash tizimlarida loyqa toʻplamlar nazariyasi,[9] Bayes tarmoqlari[10] va sunʼiy neyron tarmoqlari[11][12] bilan bogʻliq yondashuvlar qoʻllanilgan.

Ushbu yarim asrlik davrda roʻy bergan tibbiy va texnologik yutuqlar AIning sogʻliqni saqlashga oid ilovalarining oʻsishiga imkon berdi:

  • Hisoblash quvvatining yaxshilanishi maʼlumotlarni tezroq yigʻish va qayta ishlashga olib keladi[13];
  • Genomik ketma-ketlik maʼlumotlar bazalarining oʻsishi;
  • Elektron sogʻliqni saqlash tizimlarini keng joriy etish[14];
  • Tabiiy tilni qayta ishlash va kompyuterni koʻrishni yaxshilash, mashinalarga insonning idrok etish jarayonlarini takrorlash imkonini beradi[15][16];
  • Robot yordamida jarrohlikning aniqligi oshirildi[17].

The Mayo Clinic, Memorial Sloan Kettering Cancer Center,[18][19] va Britaniya Milliy sogʻliqni saqlash xizmati[20] kabi tibbiyot muassasalari oʻz boʻlimlari uchun AI algoritmlarini ishlab chiqdilar. IBM[21] va Google,[20] kabi yirik texnologiya kompaniyalari sogʻliqni saqlash uchun AI algoritmlarini ham ishlab chiqdilar. Bundan tashqari, shifoxonalar xarajatlarni tejash, bemorlarning qoniqishini oshirish hamda ularning xodimlar va ishchi kuchiga boʻlgan ehtiyojlarini qondiradigan operatsion tashabbuslarni qoʻllab-quvvatlash uchun AI dasturiy taʼminotini izlamoqda[22]. Ayni paytda Qoʻshma Shtatlar hukumati sogʻliqni saqlashda sunʼiy intellektni rivojlantirish uchun milliardlab dollar sarmoya kiritmoqda[2]. Qolish muddatini qisqartirish va xodimlar darajasini optimallashtirish orqali biznes operatsiyalarini yaxshilashga yordam beradigan texnologiyalarni ishlab chiqmoqda[23].

Klinik ilovalar[tahrir | manbasini tahrirlash]

Yurak-qon tomir[tahrir | manbasini tahrirlash]

Sunʼiy intellekt algoritmlari koronar arteriya kasalligi bilan ogʻrigan bemorlarni aniq tashxislash va xavf darajasini aniqlashda istiqbolli natijalarni koʻrsatdi, bu potentsialni dastlabki triaj vositasi sifatida koʻrsatdi[24][25][26]. Bemorlarning oʻlimini, dori taʼsirini va oʻtkir koronar sindromni davolashdan keyingi noxush hodisalarni bashorat qilishda boshqa algoritmlardan foydalanilgan[24]. Taqiladigan qurilmalar, smartfonlar va internetga asoslangan texnologiyalar bemorlarning yurak maʼlumotlar nuqtalarini kuzatish, maʼlumotlar hajmini va sunʼiy intellekt modellari foydalanishi mumkin boʻlgan turli xil sozlamalarni kengaytirish qobiliyatini koʻrsatdi va kasalxonadan tashqarida sodir boʻlgan yurak xastaliklarini erta aniqlash imkonini beradi[27]. Tadqiqotning yana bir oʻsib borayotgan yoʻnalishi — bu yurak tovushlarini tasniflash va qopqoq kasalliklarini tashxislashda AI dan foydalanishdir[28]. Yurak-qon tomir tibbiyotidagi sunʼiy intellektning qiyinchiliklari mashinani oʻrganish modellarini oʻrgatish uchun mavjud boʻlgan cheklangan maʼlumotlarni.[29]

Dermatologiya[tahrir | manbasini tahrirlash]

Dermatologiya koʻplab tasviriy mutaxassislikdir[30] va chuqur oʻrganishning rivojlanishi tasvirni qayta ishlash bilan qattiq bogʻlangan. Dermatologiyada tasvirlashning 3 ta asosiy turi mavjud: kontekstli tasvirlar, makro tasvirlar, mikro tasvirlar[31][32]. Han va boshqalar. yuz fotosuratlaridan keratinotsitik teri saratonini aniqlashni koʻrsatdi[33][34]. Noyan va boshqalar. mikroskopik Tzanck smear tasvirlaridan teri hujayralarini aniqlashda 94 % aniqlikka erishgan konvolyutsion neyron tarmogʻini namoyish etdi[35].

Soʻnggi yutuqlar yuz-jagʻ jarrohligi natijalarini tasvirlash va baholash yoki yuzning jozibadorligi yoki yosh koʻrinishi boʻyicha tanglay yorigʻini davolashni baholash uchun AIdan foydalanishni taklif qildi[36][37].

Oʻrtacha, inson dermatologlari tasvirlar boʻyicha teri saratonining 86,6 foizini aniq aniqladilar, CNN apparatida esa 95 foiz[38].

Gastroenterologiya[tahrir | manbasini tahrirlash]

AI gastroenterologiya sohasining turli jabhalarida rol oʻynashi mumkin. Ezofagogastroduodenoskopiya (EGD) va kolonoskopiya kabi endoskopik tekshiruvlar anormal toʻqimalarni tezda aniqlashga tayanadi. Erta meʼda saratonini AI aniqlash tizimlaridan foydalanishning dastlabki sinovlari mutaxassis endoskopistlarga yaqin sezgirlikni koʻrsatdi.[39]

Yuqumli kasalliklar[tahrir | manbasini tahrirlash]

AI yuqumli kasalliklar tibbiyotining laboratoriya va klinik sohalarida ham salohiyatni koʻrsatdi[40]. Yangi koronavirus butun dunyoni vayron qilayotgan bir paytda, Qoʻshma Shtatlar 2025-yilga kelib sunʼiy intellekt bilan bogʻliq sogʻliqni saqlash sohasidagi tadqiqotlarga 2 milliard dollardan koʻproq sarmoya kiritadi, bu 2019-yilda sarflangan mablagʻdan 4 baravar koʻproq (463 million dollar).[41] Mass- spektrometriya namunalaridan COVID-19 ga xostning javobini tez va aniq aniqlash uchun neyron tarmoqlar ishlab chiqilgan.Bundan tashqari, AI meningit, sepsis va sil kasalliklari diagnostikasini yaxshilash, shuningdek, gepatit B va gepatit C bilan ogʻrigan bemorlarda davolash asoratlarini bashorat qilish uchun tekshirilgan[40].

Onkologiya[tahrir | manbasini tahrirlash]

AI hal qilish uchun ishlab chiqilayotgan onkologik yordamning alohida muammosi har bir bemor uchun individual genetik, molekulyar va oʻsmaga asoslangan xususiyatlardan kelib chiqqan holda qaysi davolash protokollari eng mos kelishini aniq bashorat qilish qobiliyatidir[42]. Tasvirlarni matematik ketma-ketliklarga tarjima qilish qobiliyati tufayli sunʼiy intellekt saraton diagnostikasida tasviriy tadqiqotlar va patologiya slaydlarini oʻqish orqali sinovdan oʻtkazildi.[43][44] 2020-yil iyul oyida Pitsburg universiteti tomonidan ishlab chiqilgan sunʼiy intellekt algoritmi 98 % sezuvchanlik va 97 % oʻziga xoslik bilan prostata saratonini aniqlashda shu kungacha eng yuqori aniqlikka erishayotgani xabar qilingan edi[45][46].

Patologiya[tahrir | manbasini tahrirlash]

AI genetik mutatsiyalarni bashorat qilish va kasallik natijalarini bashorat qilish uchun ham ishlatilgan[39]. AI keng miqyosli skrining namunalarini, masalan, kolorektal yoki koʻkrak saratoni skriningi kabi past murakkablikdagi patologik tahlilda foydalanish uchun juda mos keladi, bu patologlarga yukni kamaytiradi va namuna tahlilini tezroq oʻzgartirishga imkon beradi[47]. Bir nechta chuqur oʻrganish va sunʼiy neyron tarmoq modellari inson patologlarinikiga oʻxshash aniqlikni koʻrsatdi[47] va limfa tugunlarida metastatik koʻkrak saratonini tashxislashda chuqur oʻrganish yordamini oʻrganish chuqur oʻrganish dasturi yordamida odamlarning aniqligini koʻrsatdi. yolgʻiz odamlardan yoki yolgʻiz AI dasturidan yuqori edi[48]. Bundan tashqari, raqamli patologiyani joriy qilish besh yil davomida universitet markazi uchun 12 million dollardan koʻproq mablagʻni tejashga yordam beradi[49], ammo AIga tegishli tejash hali keng oʻrganilmagan. Kengaytirilgan va virtual haqiqatdan foydalanish sunʼiy intellekt yordamidagi patologiyani kengroq tatbiq etish uchun qadam boʻlishi mumkin, chunki ular patologiya namunasidagi tashvishli joylarni ajratib koʻrsatishi va samaraliroq tekshirish uchun ularni real vaqt rejimida patologga taqdim etishi mumkin[47]. AI shuningdek, gistologik topilmalarni inson koʻzi koʻra oladigan darajadan tashqarida aniqlash imkoniyatiga ega[47] va metastatik saraton uchun kelib chiqqan oʻsimtani aniqroq aniqlash uchun genotipik va fenotipik maʼlumotlardan foydalanish qobiliyatini koʻrsatdi[50][47].

Birlamchi yordam[tahrir | manbasini tahrirlash]

Birlamchi tibbiy yordam sunʼiy intellekt texnologiyalarini rivojlantirishning asosiy sohalaridan biriga aylandi[51][52]. Birlamchi tibbiy yordamda AI qarorlar qabul qilish, bashoratli modellashtirish va biznes tahlilini qoʻllab-quvvatlash uchun ishlatilgan[53]. AI texnologiyalarining jadal rivojlanishiga qaramay, umumiy amaliyot shifokorlarining birlamchi tibbiy yordamda AIning roli haqidagi nuqtai nazari juda cheklangan — asosan maʼmuriy va muntazam hujjatlashtirish vazifalariga qaratilgan[52][54][55].

Psixiatriyada AI ilovalari hali ham kontseptsiyani isbotlash bosqichida[56]. Dalillar tezda kengayib borayotgan sohalarga diagnostika va davolash natijalarini bashoratli modellashtirish,[57] chatbotlar, inson xatti-harakatlariga taqlid qiluvchi va tashvish va depressiya uchun oʻrganilgan suhbat agentlari kiradi[58].

Qiyinchiliklar qatoriga ushbu sohadagi koʻplab ilovalar xususiy korporatsiyalar tomonidan ishlab chiqilgan va taklif qilingan, masalan, Facebook tomonidan 2017-yilda amalga oshirilgan oʻz joniga qasd qilish gʻoyalari skriningi[59] Sogʻliqni saqlash tizimidan tashqaridagi bunday ilovalar turli kasbiy, axloqiy va tartibga soluvchi savollarni tugʻdiradi[60]. Bunday modellar, shuningdek, namunalarda kam ifodalangan ozchilik guruhlariga nisbatan kamsitish potentsialiga ega boʻlishi mumkin[61].

Radiologiya[tahrir | manbasini tahrirlash]

AI kompyuterlashtirilgan tomografiya (KT) va magnit-rezonans (MR) tomografiyasi orqali kasalliklarni aniqlash va tashxislash uchun radiologiya sohasida oʻrganilmoqda[62]. Bu, ayniqsa, inson tajribasiga boʻlgan talab taklifdan oshib ketadigan yoki maʼlumotlar inson oʻquvchilari tomonidan samarali talqin qilish uchun juda murakkab boʻlgan sharoitlarda foydali boʻlishi mumkin.[63] Bir nechta chuqur oʻrganish modellari kasalliklarni tibbiy tasvirlash orqali aniqlashda sogʻliqni saqlash mutaxassislari kabi aniq boʻlish qobiliyatini koʻrsatdi, ammo bu topilmalar haqida hisobot bergan bir nechta tadqiqotlar tashqi tomondan tasdiqlangan[64]. MR tasvir sifatini yaxshilash va tasvir sifatini avtomatik ravishda baholash kabi radiologlarga talqin etilmaydigan foyda keltirishi mumkin.[65][66]

Tizim ilovalari[tahrir | manbasini tahrirlash]

Kasallik diagnostikasi[tahrir | manbasini tahrirlash]

2017-yil turli xil kasalliklar uchun qoʻllaniladigan bir necha turdagi AI texnikasi mavjudligini koʻrsatdi, masalan, vektorli mashinalar, neyron tarmoqlar va qarorlar daraxtlari.

Kasallik diagnostikasi/tasnifining baʼzi oʻziga xos xususiyatlarini koʻrsatish uchun ushbu kasalliklarni tasniflashda „sunʼiy neyron tarmoqlari (ANN) va Bayes tarmoqlari (BN)“ dan foydalanishni oʻz ichiga olgan ikki xil usul qoʻllaniladi.

Tibbiy taʼlim klassifikatorlaridan (MLC) foydalanish orqali sunʼiy intellekt ommaviy elektron salomatlik yozuvlarini (EHR) manipulyatsiya qilish orqali shifokorlarga bemorlarni tashxislashda sezilarli darajada yordam bera oldi.[67] Tibbiy sharoitlar yanada murakkablashdi va elektron tibbiy yozuvlarni yaratishning keng tarixi bilan ishlarning takrorlanishi ehtimoli yuqori.[67] Garchi bugungi kunda kamdan-kam uchraydigan kasallikka chalingan odam biron bir kasallikdan aziyat chekadigan yagona odam boʻlsa-da, xuddi shunday simptomatik kelib chiqishi boʻlgan holatlarga kirish imkoni yoʻqligi shifokorlar uchun asosiy toʻsiqdir.[67] AIni amalga oshirish nafaqat oʻxshash holatlar va davolanishni topishga yordam beradi, balki asosiy simptomlarni hisobga oladi. Shifokorlarga eng toʻgʻri savollarni berishga yordam beradi, bemorga eng toʻgʻri tashxis va davolashni olishga yordam beradi.[67]

Telemeditsina[tahrir | manbasini tahrirlash]

Keksa odam qondagi kislorod darajasini oʻlchash uchun pulsoksimetrdan foydalanadi

Telemeditsinaning koʻpayishi, bemorlarni masofadan turib davolash sunʼiy intellektning mumkin boʻlgan qoʻllanilishini koʻrsatdi.[68] Sunʼiy intellekt bemorlarning maʼlumotlarini sensorlar orqali kuzatib borish orqali ularga masofadan turib yordam berishi mumkin.[69] Maʼlumotni sunʼiy intellekt algoritmlari yordamida allaqachon toʻplangan boshqa maʼlumotlar bilan solishtirish mumkin, ular shifokorlarni xabardor boʻlishi kerak boʻlgan muammolar mavjud boʻlganda ogohlantiradi.[69]

Sunʼiy intellektning yana bir qoʻllanilishi bu chat-bot terapiyasi. Baʼzi tadqiqotchilar ruhiy salomatlik uchun chatbotlarga tayanish ruhiy salomatlik xizmati isteʼmolchisi va tibbiy yordam koʻrsatuvchi provayder (xoh u chat-bot yoki psixolog boʻlsin) oʻrtasidagi munosabatlarda mavjud boʻlishi kerak boʻlgan yordamning oʻzaro va javobgarligini taʼminlamaydi, deb ayblashadi.[70]

Oʻrtacha umr koʻrish davomiyligi oshgani sababli, sunʼiy intellekt keksa odamlarga gʻamxoʻrlik qilishda foydali boʻlishi mumkin.[71] Atrof-muhit va shaxsiy sensorlar kabi asboblar odamning muntazam faoliyatini aniqlashi va agar xatti-harakatlari yoki oʻlchangan hayotiyligi anormal boʻlsa, vasiyni ogohlantirishi mumkin.[71] Texnologiya foydali boʻlsa-da, insonning shaxsiy daxlsizligini hurmat qilish uchun monitoring cheklovlari haqida ham muhokamalar mavjud, chunki uy sxemalarini xaritalash. Odamlarning oʻzaro taʼsirini aniqlash uchun moʻljallangan texnologiyalar mavjud.[71]

Elektron sogʻliqni saqlash yozuvlari[tahrir | manbasini tahrirlash]

Endi tibbiy amaliyotlarning 80 % ga yaqini EHR dan foydalanadi, keyingi qadam yozuvlarni sharhlash va shifokorlarga yangi maʼlumotlarni taqdim etish uchun sunʼiy intellektdan foydalanishdir.[72]

Ilovalardan biri oʻxshash tibbiy atamalarni moslashtirish orqali tibbiy atamalar oʻrtasidagi farqni cheklaydigan qisqaroq hisobotlarni tayyorlash uchun tabiiy tilni qayta ishlash (NLP) dan foydalanadi.[72] Misol uchun, yurak xuruji va miyokard infarkti atamalari bir xil maʼnoni anglatadi, ammo shifokorlar shaxsiy imtiyozlar asosida bittadan foydalanishlari mumkin.[72] NLP algoritmlari kattaroq maʼlumotlar toʻplamini tahlil qilish uchun bu farqlarni birlashtiradi.[72] NLP dan yana bir foydalanish shifokorning eslatmalarida takrorlash tufayli ortiqcha boʻlgan iboralarni aniqlaydi va oʻqishni osonlashtirish uchun tegishli maʼlumotlarni saqlaydi.[72][73]

EHR tarkibini tahrirlashdan tashqari, individual bemorning rekordini baholaydigan va ularning oldingi maʼlumotlari va oila tarixiga asoslanib kasallik xavfini bashorat qiluvchi AI algoritmlari mavjud.[74] Bitta umumiy algoritm — bu odamlarning oqim jadvallarini ishlatishi kabi qarorlar qabul qiladigan qoidalarga asoslangan tizim.[75] Ushbu tizim katta hajmdagi maʼlumotlarni oladi va aniq kuzatishlarni xulosa qilingan tashxislar bilan bogʻlaydigan qoidalar toʻplamini yaratadi.[75] Algoritm yangi bemorning maʼlumotlarini qabul qilishi va ularda maʼlum bir holat yoki kasallikka duchor boʻlish ehtimolini taxmin qilishga harakat qilishi mumkin.[75] Algoritmlar bemorning maʼlumotlarini jamoaviy maʼlumotlarga asoslangan holda baholashi mumkinligi sababli, ular shifokor eʼtiborini jalb qilish va vaqtni tejash uchun har qanday hal qiluvchi muammolarni topishlari mumkin.[74][76] Ushbu usullar foydalidir, chunki har besh yilda onlayn tibbiy yozuvlar ikki baravar koʻpayadi.[74][74]

Dori vositalarining oʻzaro taʼsiri[tahrir | manbasini tahrirlash]

Tabiiy tilni qayta ishlashni takomillashtirish tibbiy adabiyotlarda dori vositalarining oʻzaro taʼsirini aniqlash algoritmlarini ishlab chiqishga olib keldi.[77][78][79][80] Giyohvand moddalarning oʻzaro taʼsiri bir vaqtning oʻzida bir nechta dori-darmonlarni qabul qiladiganlar uchun xavf tugʻdiradi va qabul qilinadigan dorilar soni bilan xavf ortadi.[81] Saʼy-harakatlar 2013-yilda DDIExtraction Challenge dasturida birlashtirildi.Unda Karlos III universiteti tadqiqotchilari guruhi bunday algoritmlar uchun standartlashtirilgan testni shakllantirish uchun dori vositalarining oʻzaro taʼsiri boʻyicha adabiyotlar jamlanmasini toʻpladi.[82] Musobaqa ishtirokchilari matndan qaysi dori vositalarining oʻzaro taʼsir qilishi va ularning oʻzaro taʼsirining xususiyatlari qanday ekanligini aniq aniqlash qobiliyati sinovdan oʻtkazildi.[83] Tadqiqotchilar oʻzlarining algoritmlari samaradorligini oʻlchashni standartlashtirish uchun ushbu korpusdan foydalanishda davom etmoqdalar.[77][78][80]

Boshqa algoritmlar foydalanuvchilar tomonidan yaratilgan tarkibdagi, ayniqsa elektron sogʻliqni saqlash yozuvlari va/yoki noxush hodisalar hisobotlaridagi naqshlardan dori-darmon oʻzaro taʼsirini aniqlaydi.[78][79] FDA noxush hodisalar haqida hisobot berish tizimi (FAERS) va Jahon sogʻliqni saqlash tashkilotining VigiBase kabi tashkilotlar shifokorlarga dori-darmonlarga mumkin boʻlgan salbiy reaksiyalar toʻgʻrisida hisobot berish imkonini beradi. Ushbu hisobotlarni tahlil qilish va dori vositalarining oʻzaro taʼsirini koʻrsatadigan naqshlarni aniqlash uchun chuqur oʻrganish algoritmlari ishlab chiqilgan.[84]

Yangi dori vositalarini yaratish[tahrir | manbasini tahrirlash]

Dori-darmonlarni ishlab chiqish bir yil davom etdi, farmatsevtika kompaniyalari odatda shunga oʻxshash loyihalarga taxminan besh yil sarflashadi. DSP-1181 insoniy sinov uchun qabul qilindi[85].

Generativ Tensorial Reinforcement Learning (GENTRL) deb nomlanuvchi tizim 21 kun ichida yangi birikmalarni ishlab chiqdi, unda yetakchi nomzod sinovdan oʻtkazildi va sichqonlarda ijobiy natijalar koʻrsatdi.[86][87][88]

Oʻsha oy Kanadaning Deep Genomics kompaniyasi oʻzining sunʼiy intellektga asoslangan dori kashfiyot platformasi Uilson kasalligi uchun maqsad va dori nomzodini aniqlaganini eʼlon qildi. Nomzod, DG12P1, ATP7B mis bogʻlovchi oqsiliga taʼsir qiluvchi genetik mutatsiya Met645Arg ning ekson oʻtkazib yuborish effektini tuzatish uchun moʻljallangan.[89]

Sanoat[tahrir | manbasini tahrirlash]

Yirik sogʻliqni saqlash kompaniyalarining birlashishi tendentsiyasi sogʻliqni saqlash maʼlumotlariga koʻproq kirish imkonini beradi. Kattaroq sogʻliq maʼlumotlari AI algoritmlarini amalga oshirish uchun asos yaratadi.

Koʻproq maʼlumot toʻplangani sayin, mashinani oʻrganish algoritmlari moslashadi va yanada ishonchli javoblar va echimlar uchun imkon beradi[62]. Koʻpgina kompaniyalar sogʻliqni saqlash sanoatiga katta maʼlumotlarni kiritish imkoniyatlarini oʻrganmoqda. Koʻpgina kompaniyalar sogʻliqni saqlash sanoatining muhim qismlari boʻlgan „maʼlumotlarni baholash, saqlash, boshqarish va tahlil qilish texnologiyalari“ sohalari orqali bozor imkoniyatlarini oʻrganadilar.[90]

Quyida sogʻliqni saqlashda foydalanish uchun AI algoritmlariga hissa qoʻshgan yirik kompaniyalar misollari keltirilgan:

  • IBMning Watson onkologiyasi Memorial Sloan Kettering saraton markazi va Klivlend klinikasida ishlab chiqilmoqda. 2017-yilning may oyida IBM va Rensselaer Politexnika instituti sogʻliqni saqlashni yaxshilash uchun sunʼiy intellekt texnologiyasidan foydalanishni oʻrganish uchun Analytics, Learning and Semantics (HEALS) tomonidan Sogʻliqni saqlash imkoniyatlarini kengaytirish" qoʻshma loyihasini boshladi.
  • Microsoft kompaniyasining Gannover loyihasi Oregon sogʻliqni saqlash va fan universitetining Knight saraton instituti bilan hamkorlikda bemorlar uchun saraton dori-darmonlarini davolashning eng samarali usullarini bashorat qilish uchun tibbiy tadqiqotlarni tahlil qiladi. Boshqa loyihalar orasida oʻsma rivojlanishining tibbiy tasvirini tahlil qilish va dasturlashtiriladigan hujayralarni ishlab chiqish kiradi.
  • Googleʼning DeepMind platformasi Buyuk Britaniya Milliy sogʻliqni saqlash xizmati tomonidan mobil ilova orqali toʻplangan maʼlumotlar orqali maʼlum sogʻliq uchun xavflarni aniqlash uchun foydalaniladi.
  • Tencent bir nechta tibbiy tizimlar va xizmatlar ustida ishlamoqda. Ular orasida AI tibbiy innovatsion tizimi (AIMIS), sunʼiy intellekt yordamida ishlaydigan diagnostika tibbiy tasvirlash xizmati; WeChat Intelligent Healthcare; va Tencent Doctorwork
  • Intelning venchur kapital boʻlimi Intel Capital yaqinda xavf ostida boʻlgan bemorlarni aniqlash va parvarish qilish imkoniyatlarini ishlab chiqish uchun sunʼiy intellektdan foydalanadigan Lumiata startapiga sarmoya kiritdi.
Ilon Mask Neuralink miya chipini joylashtiradigan jarrohlik robotining premerasi
  • Neuralink miyadagi minglab neyron yoʻllar bilan murakkab aloqada boʻlgan yangi avlod neyroprotezini yaratdi.[62] Ularning jarayoni tasodifiy shikastlanmaslik uchun aniq jarrohlik roboti tomonidan bosh suyagining boʻlagi oʻrniga taxminan chorak oʻlchamdagi chipni kiritish imkonini beradi.[62]

Raqamli maslahatchi ilovalari shaxsiy tibbiy tarix va umumiy tibbiy bilimlar asosida tibbiy maslahat berish uchun AIdan foydalanadi. Foydalanuvchilar kasallik maʼlumotlar bazasi bilan solishtirish uchun nutqni aniqlashdan foydalanadigan ilovaga oʻzlarining alomatlarini xabar qiladilar. Keyin Babylon foydalanuvchining kasallik tarixini hisobga olgan holda tavsiya etilgan harakatni taklif qiladi. Sogʻliqni saqlash sohasidagi tadbirkorlar AI yechimini bozorga olib chiqish uchun ettita biznes modeli arxetiplaridan samarali foydalanmoqda.

IFlytek roʻyxatdan oʻtgan mijozni aniqlash va tibbiy sohalarda shaxsiy tavsiyalar berish uchun sunʼiy intellekt texnologiyasini birlashtirgan „Xiao Man“ xizmat robotini ishga tushirdi. U tibbiy tasvirlash sohasida ham ishlaydi. Shunga oʻxshash robotlar UBTECH („Cruzr“) va Softbank Robotics („Pepper“) kabi kompaniyalar tomonidan ham ishlab chiqarilmoqda.

Hindistonning Haptik startapi yaqinda Hindistondagi halokatli koronavirus bilan bogʻliq savollarga javob beradigan WhatsApp chatbotini ishlab chiqdi.

Sunʼiy intellekt bozori doimiy ravishda kengayib borayotgan bir paytda, Apple, Google, Amazon va Baidu kabi yirik texnologiya kompaniyalari oʻzlarining sunʼiy intellekt boʻyicha tadqiqot boʻlimlariga ega, shuningdek, sunʼiy intellektga asoslangan kichikroq kompaniyalarni sotib olish uchun millionlab dollarlar ajratilgan.[90] Koʻpgina avtomobil ishlab chiqaruvchilari oʻz mashinalarida sogʻliqni saqlash tizimidan foydalanishni boshlaydilar.[90] BMW, GE, Tesla, Toyota va Volvo kabi kompaniyalarda haydovchilar hushyor boʻlishlari, yoʻlga eʼtibor berishlari va moddalar taʼsirida yoki hissiy tanglikda emasligini taʼminlash uchun ularning hayotiy statistikasini oʻrganish yoʻllarini topish boʻyicha yangi tadqiqot kampaniyalari mavjud.[90]

Rivojlanayotgan mamlakatlarga gʻamxoʻrlikni kengaytirish[tahrir | manbasini tahrirlash]

SpaceX va Raspberry Pi Foundation kabi koʻplab yangi texnologiya kompaniyalari koʻproq rivojlanayotgan mamlakatlarga har qachongidan ham kompyuter va internetdan foydalanish imkoniyatini berdi.[91] Internet orqali sunʼiy intellektning ortib borayotgan imkoniyatlari bilan mashinani oʻrganishning ilgʻor algoritmlari bemorlarga hayot uchun xavfli kasallik bor yoki yoʻqligini bilish imkoni boʻlmaganda aniq tashxis qoʻyish imkonini beradi.[91]

Sunʼiy intellekt nafaqat sogʻliqni saqlash kam boʻlgan hududlarda bemorni tashxislash imkonini beradi, balki bemor uchun eng yaxshi davolanishni topish uchun fayllarni resurslar bilan taʼminlash orqali yaxshi bemor tajribasini taʼminlaydi.[92] AIning kursni oʻz vaqtida sozlash qobiliyati, shuningdek, bemorga davolanishni oʻzlariga mos keladigan narsaga qarab oʻzgartirishga imkon beradi; rivojlanayotgan mamlakatlarda deyarli mavjud boʻlmagan individual parvarishlash darajasi.[92]

Reglament[tahrir | manbasini tahrirlash]

Sogʻliqni saqlashda sunʼiy intellektdan foydalanish boʻyicha tadqiqotlar uning kengroq qoʻllanilishidan oldin bemorning natijalarini yaxshilashda samaradorligini tasdiqlashga qaratilgan boʻlsa-da, undan foydalanish bemorlar va tibbiy xizmat koʻrsatuvchi provayderlar uchun bir qator yangi xavf turlarini keltirib chiqarishi mumkin, masalan, algoritmik tarafkashlik, oqibatlarni jonlantirmaslik va mashina axloqining boshqa muammolari.

2019-yilgi Tadbirkorlik sammitida GDPRga muvofiqlik boʻyicha seminarda soʻzga chiqqan erkak.

Hozirgi vaqtda bemor maʼlumotlarini toʻplash bilan bogʻliq qoidalar mavjud. Bunga Sogʻliqni saqlash sugʻurtasi portativligi va javobgarligi toʻgʻrisidagi qonun (HIPAA) va maʼlumotlarni himoya qilish boʻyicha Yevropa umumiy reglamenti (GDPR) kabi siyosatlar kiradi.[93] GDPR Yevropa Ittifoqidagi bemorlarga taalluqlidir va sub’ektlar bemorlarning sogʻligʻiga oid maʼlumotlarni yigʻishda bemor maʼlumotlaridan foydalanishga rozilik talablarini batafsil bayon qiladi. Xuddi shunday, HIPAA sogʻliqni saqlash maʼlumotlarini Qoʻshma Shtatlardagi bemorlarning qaydlaridan himoya qiladi.[93] 2016-yil may oyida Oq uy bir qator seminarlar oʻtkazish va Milliy fan va texnologiya kengashi (NSTC) Mashinalarni oʻrganish va sunʼiy intellekt boʻyicha kichik qoʻmitasini shakllantirish rejasini eʼlon qildi.

Xavotirini bildirgan yagona agentlik bu FDA. 2017-yil may oyida FDA Raqamli salomatlik boʻyicha yordamchi markaz direktori Bakul Patelning soʻzlaridan iqtibos keltiriladi:

"Biz mahsulotning toʻliq hayot aylanishi bilan amaliy tajribaga ega boʻlgan odamlarni jalb qilishga harakat qilmoqdamiz. Bizda sunʼiy intellekt va mashinani oʻrganishni biladigan baʼzi olimlarimiz bor, ammo biz bu texnologiya qanday rivojlanishini koʻra oladigan, bir-birini toʻldiruvchi odamlarni xohlaymiz.

XEI va JSSTning salomatlik uchun sunʼiy intellekt boʻyicha qoʻshma fokus guruhi (FG-AI4H) sogʻliqni saqlash sohasidagi sunʼiy intellekt dasturlarini sinovdan oʻtkazish va taqqoslash uchun platforma qurdi.

2021-yil yanvar oyida FDA yangi Harakatlar rejasini eʼlon qildi, "Sunʼiy intellekt/mashinalarni oʻrganish[AI/ML]-asoslangan dasturiy taʼminot tibbiy qurilma sifatida [SaMD] Harakat rejasi. Ushbu reja FDA ning dasturiy taʼminotida sunʼiy intellektni oʻz ichiga olgan tibbiy asboblarni tartibga solish boʻyicha kelajakdagi rejalarini belgilaydi. Ushbu reja manfaatdor tomonlarning FDA tomonidan eʼlon qilingan 2019-yilgi muhokama qogʻozi boʻyicha fikr-mulohazalariga bevosita javob boʻldi.

Axloqiy tashvishlar[tahrir | manbasini tahrirlash]

Maʼlumotlar yigʻish[tahrir | manbasini tahrirlash]

Mashinalarni oʻrganishni samarali oʻrgatish va sogʻliqni saqlashda AIdan foydalanish uchun katta hajmdagi maʼlumotlar toʻplanishi kerak.[94] Biroq, bu maʼlumotlarni qoʻlga kiritish koʻp hollarda bemorning shaxsiy hayotini talab qiladi va jamoatchilik tomonidan yaxshi qabul qilinmaydi. Misol uchun, Buyuk Britaniyada oʻtkazilgan soʻrov shuni koʻrsatdiki, aholining 63 foizi sunʼiy intellekt texnologiyasini yaxshilash uchun shaxsiy maʼlumotlarini baham koʻrishdan noqulay.[93]

Avtomatlashtirish[tahrir | manbasini tahrirlash]

Yaqinda oʻtkazilgan tadqiqotga koʻra, AI kelgusi 10-20 yil ichida Buyuk Britaniyadagi ish oʻrinlarining 35 foizini almashtirishi mumkin.[95] Biroq, bu ishlardan, AI hozirgacha hech qanday sogʻliqni saqlash ishlarini bekor qilmagan degan xulosaga keldi. Agar sunʼiy intellekt sogʻliqni saqlash bilan bogʻliq ishlarni avtomatlashtirgan boʻlsa-da, avtomatlashtirishga eng sezgir boʻlgan ishlar raqamli maʼlumotlar, radiologiya va patologiya bilan shugʻullanadiganlar boʻladi, aksincha shifokor va bemor oʻrtasidagi oʻzaro munosabat.[95]

Avtomatlashtirish shifokorlar bilan bir qatorda foyda keltirishi mumkin. Sogʻliqni saqlashda sunʼiy intellektdan foydalanadigan shifokorlar bunday boʻlmagan shifokorlar va tibbiyot muassasalariga qaraganda yuqori sifatli tibbiy yordam koʻrsatishi kutilmoqda.[96]

Oxir oqibat, sunʼiy intellekt ijtimoiy maqsadlarga erishishga yordam beradi, jumladan, aloqani yaxshilash, sogʻliqni saqlash sifatini yaxshilash va avtonomiya.[97]

Tarafsizlik[tahrir | manbasini tahrirlash]

AI faqat kirish sifatida qabul qilingan maʼlumotlar boʻyicha qaror qabul qilganligi sababli, bu maʼlumotlar bemorning aniq demografiyasini aks ettirishi muhim. Shu sababli, ushbu tibbiyot muassasalari ozchiliklarni kamsitish va optimal yordam koʻrsatishdan koʻra foydani birinchi oʻringa qoʻyish uchun oʻz algoritmlarini adolatsiz ravishda kodlashi mumkin.[98]

Shuningdek, ushbu algoritmlarda ijtimoiy va sogʻliqni saqlash sohasidagi tengsizliklarni kuchaytirishi mumkin boʻlgan nomaqbul tomonlar boʻlishi mumkin.[98] AI qarorlari uning kiritilgan maʼlumotlarini toʻgʻridan-toʻgʻri aks ettirganligi sababli, u qabul qiladigan maʼlumotlar bemorning demografiyasini aniq koʻrsatishi kerak. Oq erkaklar tibbiy maʼlumotlar toʻplamlarida haddan tashqari koʻp.[99] Shu sababli, ozchiliklar toʻgʻrisida minimal bemor maʼlumotlariga ega boʻlish AI koʻpchilik populyatsiyalar uchun aniqroq bashorat qilishiga olib kelishi mumkin, bu esa ozchilik populyatsiyalari uchun kutilmagan yomonroq tibbiy natijalarga olib keladi.[100] Ozchiliklar jamoalaridan maʼlumotlarni yigʻish ham tibbiy kamsitishlarga olib kelishi mumkin. Masalan, OIV ozchilik jamoalari orasida keng tarqalgan virusdir va OIV holati bemorlarni kamsitish uchun ishlatilishi mumkin.[99] Rentgenologik tizimlar va ularning natijalari (masalan, ruxsat) provayderga qarab farq qiladi. Bundan tashqari, klinisyenning ish amaliyoti, masalan, rentgenografiya uchun bemorni joylashtirish ham maʼlumotlarga katta taʼsir koʻrsatishi va taqqoslashni qiyinlashtirishi mumkin.[101]

Manbalar[tahrir | manbasini tahrirlash]

  1. ↑ Guide to medical informatics, the Internet and telemedicine.. Chapman & Hall, Ltd., 1997. 
  2. ↑ 2,0 2,1 Algorithms Need Managers, Too (january–february 2016).
  3. ↑ Floridi, Luciano; Luetge, Christoph; Pagallo, Ugo; Schafer, Burkhard; Valcke, Peggy; Vayena, Effy; Addison, Janet; Hughes, Nigel; Lea, Nathan (1–sentabr 2019–yil). „Key Ethical Challenges in the European Medical Information Framework“. Minds and Machines (inglizcha). 29-jild, № 3. 355–371-bet. doi:10.1007/s11023-018-9467-4. ISSN 1572-8641.{{cite magazine}}: CS1 maint: date format ()
  4. ↑ „DENDRAL: a case study of the first expert system for scientific hypothesis formation“. Artificial Intelligence. 61-jild, № 2. 1993. 209–261-bet. doi:10.1016/0004-3702 (93)90068-m. {{cite magazine}}: Check |doi= value (yordam)
  5. ↑ 5,0 5,1 Readings in medical artificial intelligence: the first decade.. Addison-Wesley Longman Publishing Co., Inc., 1984. 
  6. ↑ Rule-based expert systems: the MYCIN experiments of the Stanford Heuristic Programming Project, 1984. 
  7. ↑ „Expert Systems Research“. Science. 220-jild, № 4594. 1983-yil aprel. 261–8-bet. Bibcode:1983Sci...220..261D. doi:10.1126/science.6340198. PMID 6340198. {{cite magazine}}: sana kiritilishi kerak boʻlgan parametrga berilgan qiymatni tekshirish lozim: |date= (yordam)
  8. ↑ „Medical diagnostic decision support systems--past, present, and future: a threaded bibliography and brief commentary“. Journal of the American Medical Informatics Association. 1-jild, № 1. 1994. 8–27-bet. doi:10.1136/jamia.1994.95236141. PMC 116181. PMID 7719792.
  9. ↑ „A fuzzy logical model of computer-assisted medical diagnosis“ (PDF). Methods of Information in Medicine. 19-jild, № 3. 1980-yil iyul. 141–8-bet. doi:10.1055/s-0038-1636674. PMID 6997678. {{cite magazine}}: sana kiritilishi kerak boʻlgan parametrga berilgan qiymatni tekshirish lozim: |date= (yordam)
  10. ↑ „Modeling diagnostic reasoning: a summary of parsimonious covering theory“. Computer Methods and Programs in Biomedicine. 25-jild, № 2. 1987-yil sentabr. 125–34-bet. doi:10.1016/0169-2607 (87)90048-4. PMC 2244953. PMID 3315427. {{cite magazine}}: Check |doi= value (yordam); sana kiritilishi kerak boʻlgan parametrga berilgan qiymatni tekshirish lozim: |date= (yordam)
  11. ↑ „Use of an artificial neural network for the diagnosis of myocardial infarction“. Annals of Internal Medicine. 115-jild, № 11. 1991-yil dekabr. 843–8-bet. doi:10.7326/0003-4819-115-11-843. PMID 1952470. {{cite magazine}}: sana kiritilishi kerak boʻlgan parametrga berilgan qiymatni tekshirish lozim: |date= (yordam)
  12. ↑ „Using neural networks to diagnose cancer“. Journal of Medical Systems. 15-jild, № 1. 1991-yil fevral. 11–9-bet. doi:10.1007/bf00993877. PMID 1748845. {{cite magazine}}: sana kiritilishi kerak boʻlgan parametrga berilgan qiymatni tekshirish lozim: |date= (yordam)
  13. ↑ „Implications of historical trends in the electrical efficiency of computing“. IEEE Annals of the History of Computing. 33-jild, № 3. 2010-yil mart. 46–54-bet. doi:10.1109/MAHC.2010.28. {{cite magazine}}: sana kiritilishi kerak boʻlgan parametrga berilgan qiymatni tekshirish lozim: |date= (yordam)
  14. ↑ „Use of electronic health records in U.S. hospitals“. The New England Journal of Medicine. 360-jild, № 16. 2009-yil aprel. 1628–38-bet. doi:10.1056/NEJMsa0900592. PMID 19321858. {{cite magazine}}: Invalid |display-authors=6 (yordam); sana kiritilishi kerak boʻlgan parametrga berilgan qiymatni tekshirish lozim: |date= (yordam)
  15. ↑ „Scaling to very very large corpora for natural language disambiguation]“ (PDF). Proceedings of the 39th Annual Meeting on Association for Computational Linguistics. Association for Computational Linguistics. 2001-yil iyul. 26–33-bet. 7-aprel 2019-yilda asl nusxadan (PDF) arxivlandi. Qaraldi: 7-aprel 2019-yil. {{cite magazine}}: sana kiritilishi kerak boʻlgan parametrga berilgan qiymatni tekshirish lozim: |date= (yordam)
  16. ↑ Digital image processing for medical applications.. Cambridge University Press, 2009. 
  17. ↑ „Artificial Intelligence and Machine Learning for Healthcare“. 17-avgust 2020-yilda asl nusxadan arxivlangan. Qaraldi: 1-iyun 2022-yil.
  18. ↑ „Artificial Intelligence Is Almost Ready for Business“. Harvard Business Review. Massachusetts General Hospital. 19–mart 2015–yil.{{cite magazine}}: CS1 maint: date format ()
  19. ↑ „High-Risk Breast Lesions: A Machine Learning Model to Predict Pathologic Upgrade and Reduce Unnecessary Surgical Excision“. Radiology. 286-jild, № 3. 2018-yil mart. 810–818-bet. doi:10.1148/radiol.2017170549. PMID 29039725. {{cite magazine}}: sana kiritilishi kerak boʻlgan parametrga berilgan qiymatni tekshirish lozim: |date= (yordam)
  20. ↑ 20,0 20,1 NHS using Google technology to treat patients. (22-noyabr 2016-yil).
  21. ↑ „Here's How IBM Watson Health is Transforming the Health Care Industry.“. 2017-yil 25-fevralda asl nusxadan arxivlangan. Qaraldi: 2022-yil 1-iyun.
  22. ↑ „Providers Embrace Predictive Analytics for Clinical, Financial Benefits“.
  23. ↑ „Predictive analytics in healthcare helps improve OR utilization“.
  24. ↑ 24,0 24,1 Wang, Hong; Zu, Quannan; Chen, Jinglu; Yang, Zhiren; Ahmed, Mohammad Anis (2021-yil oktabr). „Application of Artificial Intelligence in Acute Coronary Syndrome: A Brief Literature Review“. Advances in Therapy. 38-jild, № 10. 5078–5086-bet. doi:10.1007/s12325-021-01908-2. ISSN 1865-8652. PMID 34528221. {{cite magazine}}: sana kiritilishi kerak boʻlgan parametrga berilgan qiymatni tekshirish lozim: |date= (yordam)
  25. ↑ Infante, Teresa; Cavaliere, Carlo; Punzo, Bruna; Grimaldi, Vincenzo; Salvatore, Marco; Napoli, Claudio (2021-yil dekabr). „Radiogenomics and Artificial Intelligence Approaches Applied to Cardiac Computed Tomography Angiography and Cardiac Magnetic Resonance for Precision Medicine in Coronary Heart Disease: A Systematic Review“. Circulation: Cardiovascular Imaging. 14-jild, № 12. 1133–1146-bet. doi:10.1161/CIRCIMAGING.121.013025. ISSN 1942-0080. PMID 34915726. {{cite magazine}}: sana kiritilishi kerak boʻlgan parametrga berilgan qiymatni tekshirish lozim: |date= (yordam)
  26. ↑ Stewart, Jonathon; Lu, Juan; Goudie, Adrian; Bennamoun, Mohammed; Sprivulis, Peter; Sanfillipo, Frank; Dwivedi, Girish (2021). „Applications of machine learning to undifferentiated chest pain in the emergency department: A systematic review“. PLOS ONE. 16-jild, № 8. e0252612-bet. Bibcode:2021PLoSO..1652612S. doi:10.1371/journal.pone.0252612. ISSN 1932-6203. PMC 8384172. PMID 34428208.
  27. ↑ Sotirakos, Sara; Fouda, Basem; Mohamed Razif, Noor Adeebah; Cribben, Niall; Mulhall, Cormac; O'Byrne, Aisling; Moran, Bridget; Connolly, Ruairi (2022-yil fevral). „Harnessing artificial intelligence in cardiac rehabilitation, a systematic review“. Future Cardiology. 18-jild, № 2. 154–164-bet. doi:10.2217/fca-2021-0010. ISSN 1744-8298. PMID 33860679. {{cite magazine}}: sana kiritilishi kerak boʻlgan parametrga berilgan qiymatni tekshirish lozim: |date= (yordam)
  28. ↑ Chen, Wei; Sun, Qiang; Chen, Xiaomin; Xie, Gangcai; Wu, Huiqun; Xu, Chen (26–may 2021–yil). „Deep Learning Methods for Heart Sounds Classification: A Systematic Review“. Entropy. 23-jild, № 6. 667-bet. Bibcode:2021Entrp..23..667C. doi:10.3390/e23060667. ISSN 1099-4300. PMC 8229456. PMID 34073201.{{cite magazine}}: CS1 maint: date format ()
  29. ↑ Zhao, Yuan; Wood, Erica P.; Mirin, Nicholas; Cook, Stephanie H.; Chunara, Rumi (2021-yil oktabr). „Social Determinants in Machine Learning Cardiovascular Disease Prediction Models: A Systematic Review“. American Journal of Preventive Medicine. 61-jild, № 4. 596–605-bet. doi:10.1016/j.amepre.2021.04.016. ISSN 1873-2607. PMID 34544559. {{cite magazine}}: sana kiritilishi kerak boʻlgan parametrga berilgan qiymatni tekshirish lozim: |date= (yordam)
  30. ↑ Hibler, Brian P.; Qi, Qiaochu; Rossi, Anthony M. (2016-yil mart). „Current state of imaging in dermatology“. Seminars in Cutaneous Medicine and Surgery. 35-jild, № 1. 2–8-bet. doi:10.12788/j.sder.2016.001. ISSN 1085-5629. PMID 26963110. {{cite magazine}}: sana kiritilishi kerak boʻlgan parametrga berilgan qiymatni tekshirish lozim: |date= (yordam)
  31. ↑ „Image acquisition in dermatology | DermNet NZ“.
  32. ↑ Chan, Stephanie; Reddy, Vidhatha; Myers, Bridget; Thibodeaux, Quinn; Brownstone, Nicholas; Liao, Wilson (6–aprel 2020–yil). „Machine Learning in Dermatology: Current Applications, Opportunities, and Limitations“. Dermatology and Therapy. 10-jild, № 3. 365–386-bet. doi:10.1007/s13555-020-00372-0. ISSN 2193-8210. PMC 7211783. PMID 32253623.{{cite magazine}}: CS1 maint: date format ()
  33. ↑ Han, Seung Seog; Moon, Ik Jun; Lim, Woohyung; Suh, In Suck; Lee, Sam Yong; Na, Jung-Im; Kim, Seong Hwan; Chang, Sung Eun (1–yanvar 2020–yil). „Keratinocytic Skin Cancer Detection on the Face Using Region-Based Convolutional Neural Network“. JAMA Dermatology (inglizcha). 156-jild, № 1. 29–37-bet. doi:10.1001/jamadermatol.2019.3807. ISSN 2168-6068. PMC 6902187. PMID 31799995.{{cite magazine}}: CS1 maint: date format ()
  34. ↑ Esteva, Andre; Kuprel, Brett; Novoa, Roberto A.; Ko, Justin; Swetter, Susan M.; Blau, Helen M.; Thrun, Sebastian (2017-yil fevral). „Dermatologist-level classification of skin cancer with deep neural networks“. Nature (inglizcha). 542-jild, № 7639. 115–118-bet. Bibcode:2017Natur.542..115E. doi:10.1038/nature21056. ISSN 1476-4687. PMC 8382232. PMID 28117445. {{cite magazine}}: sana kiritilishi kerak boʻlgan parametrga berilgan qiymatni tekshirish lozim: |date= (yordam)
  35. ↑ Noyan, Mehmet Alican; Durdu, Murat; Eskiocak, Ali Haydar (27–oktabr 2020–yil). „TzanckNet: a convolutional neural network to identify cells in the cytology of erosive-vesiculobullous diseases“. Scientific Reports (inglizcha). 10-jild, № 1. 18314-bet. doi:10.1038/s41598-020-75546-z. ISSN 2045-2322. PMC 7591506. PMID 33110197.{{cite magazine}}: CS1 maint: date format ()
  36. ↑ „Applying artificial intelligence to assess the impact of orthognathic treatment on facial attractiveness and estimated age“. International Journal of Oral and Maxillofacial Surgery. 48-jild, № 1. 2019-yil yanvar. 77–83-bet. doi:10.1016/j.ijom.2018.07.010. PMID 30087062. {{cite magazine}}: sana kiritilishi kerak boʻlgan parametrga berilgan qiymatni tekshirish lozim: |date= (yordam)
  37. ↑ „Facial attractiveness of cleft patients: a direct comparison between artificial-intelligence-based scoring and conventional rater groups“. European Journal of Orthodontics. 41-jild, № 4. 2019-yil avgust. 428–433-bet. doi:10.1093/ejo/cjz007. PMID 30788496. {{cite magazine}}: sana kiritilishi kerak boʻlgan parametrga berilgan qiymatni tekshirish lozim: |date= (yordam)
  38. ↑ „Computer learns to detect skin cancer more accurately than doctors“.
  39. ↑ 39,0 39,1 Cao, Jia-Sheng; Lu, Zi-Yi; Chen, Ming-Yu; Zhang, Bin; Juengpanich, Sarun; Hu, Jia-Hao; Li, Shi-Jie; Topatana, Win; Zhou, Xue-Yin (28–aprel 2021–yil). „Artificial intelligence in gastroenterology and hepatology: Status and challenges“. World Journal of Gastroenterology. 27-jild, № 16. 1664–1690-bet. doi:10.3748/wjg.v27.i16.1664. ISSN 1007-9327. PMC 8072192. PMID 33967550.{{cite magazine}}: CS1 maint: date format ()
  40. ↑ 40,0 40,1 Tran, Nam K.; Albahra, Samer; May, Larissa; Waldman, Sarah; Crabtree, Scott; Bainbridge, Scott; Rashidi, Hooman (30–dekabr 2021–yil). „Evolving Applications of Artificial Intelligence and Machine Learning in Infectious Diseases Testing“. Clinical Chemistry. 68-jild, № 1. 125–133-bet. doi:10.1093/clinchem/hvab239. ISSN 1530-8561. PMID 34969102.{{cite magazine}}: CS1 maint: date format ()
  41. ↑ "COVID-19 Pandemic Impact: Global R&D Spend For AI in Healthcare and Pharmaceuticals Will Increase US$1.5 Billion By 2025". Medical Letter on the CDC & FDA. May 3, 2020 — via Gale Academic OneFile.
  42. ↑ Bhinder, Bhavneet; Gilvary, Coryandar; Madhukar, Neel S.; Elemento, Olivier (2021-yil aprel). „Artificial Intelligence in Cancer Research and Precision Medicine“. Cancer Discovery. 11-jild, № 4. 900–915-bet. doi:10.1158/2159-8290.CD-21-0090. ISSN 2159-8290. PMC 8034385. PMID 33811123. {{cite magazine}}: sana kiritilishi kerak boʻlgan parametrga berilgan qiymatni tekshirish lozim: |date= (yordam)
  43. ↑ Majumder, Anusree; Sen, Debraj (2021-yil oktabr). „Artificial intelligence in cancer diagnostics and therapy: current perspectives“. Indian Journal of Cancer. 58-jild, № 4. 481–492-bet. doi:10.4103/ijc.IJC_399_20. ISSN 1998-4774. PMID 34975094. {{cite magazine}}: sana kiritilishi kerak boʻlgan parametrga berilgan qiymatni tekshirish lozim: |date= (yordam)
  44. ↑ „International evaluation of an AI system for breast cancer screening“. Nature. 577-jild, № 7788. 2020-yil yanvar. 89–94-bet. Bibcode:2020Natur.577...89M. doi:10.1038/s41586-019-1799-6. PMID 31894144. {{cite magazine}}: Invalid |display-authors=6 (yordam); sana kiritilishi kerak boʻlgan parametrga berilgan qiymatni tekshirish lozim: |date= (yordam)
  45. ↑ „An artificial intelligence algorithm for prostate cancer diagnosis in whole slide images of core needle biopsies: a blinded clinical validation and deployment study“. The Lancet Digital Health (inglizcha). 2-jild, № 8. 1–avgust 2020–yil. e407–e416-bet. doi:10.1016/S2589-7500 (20)30159-X. ISSN 2589-7500. PMID 33328045. {{cite magazine}}: Check |doi= value (yordam); Invalid |display-authors=6 (yordam)CS1 maint: date format ()
  46. ↑ „Artificial intelligence identifies prostate cancer with near-perfect accuracy“. EurekAlert! (27-iyul 2020-yil).
  47. ↑ 47,0 47,1 47,2 47,3 47,4 Försch, Sebastian; Klauschen, Frederick; Hufnagl, Peter; Roth, Wilfried (2021-yil mart). „Artificial Intelligence in Pathology“. Deutsches Ärzteblatt International. 118-jild, № 12. 199–204-bet. doi:10.3238/arztebl.m2021.0011. ISSN 1866-0452. PMC 8278129. PMID 34024323. {{cite magazine}}: sana kiritilishi kerak boʻlgan parametrga berilgan qiymatni tekshirish lozim: |date= (yordam)
  48. ↑ Steiner, David F.; MacDonald, Robert; Liu, Yun; Truszkowski, Peter; Hipp, Jason D.; Gammage, Christopher; Thng, Florence; Peng, Lily; Stumpe, Martin C. (2018-yil dekabr). „Impact of Deep Learning Assistance on the Histopathologic Review of Lymph Nodes for Metastatic Breast Cancer“. The American Journal of Surgical Pathology. 42-jild, № 12. 1636–1646-bet. doi:10.1097/PAS.0000000000001151. ISSN 0147-5185. PMC 6257102. PMID 30312179. {{cite magazine}}: sana kiritilishi kerak boʻlgan parametrga berilgan qiymatni tekshirish lozim: |date= (yordam)
  49. ↑ Ho, Jonhan; Ahlers, Stefan M.; Stratman, Curtis; Aridor, Orly; Pantanowitz, Liron; Fine, Jeffrey L.; Kuzmishin, John A.; Montalto, Michael C.; Parwani, Anil V. (2014). „Can digital pathology result in cost savings? A financial projection for digital pathology implementation at a large integrated health care organization“. Journal of Pathology Informatics. 5-jild, № 1. 33-bet. doi:10.4103/2153-3539.139714. ISSN 2229-5089. PMC 4168664. PMID 25250191.
  50. ↑ Jurmeister, Philipp; Bockmayr, Michael; Seegerer, Philipp; Bockmayr, Teresa; Treue, Denise; Montavon, Grégoire; Vollbrecht, Claudia; Arnold, Alexander; Teichmann, Daniel (11–sentabr 2019–yil). „Machine learning analysis of DNA methylation profiles distinguishes primary lung squamous cell carcinomas from head and neck metastases“. Science Translational Medicine. 11-jild, № 509. eaaw8513-bet. doi:10.1126/scitranslmed.aaw8513. ISSN 1946-6242. PMID 31511427.{{cite magazine}}: CS1 maint: date format ()
  51. ↑ „Artificial intelligence in primary care“. The British Journal of General Practice. 69-jild, № 686. 2019-yil sentabr. 422–423-bet. doi:10.3399/bjgp19X705137. PMC 6715470. PMID 31467001. {{cite magazine}}: sana kiritilishi kerak boʻlgan parametrga berilgan qiymatni tekshirish lozim: |date= (yordam)
  52. ↑ 52,0 52,1 „Artificial Intelligence and the Future of Primary Care: Exploratory Qualitative Study of UK General Practitioners' Views“. Journal of Medical Internet Research. 21-jild, № 3. 2019-yil mart. e12802-bet. doi:10.2196/12802. PMC 6446158. PMID 30892270. {{cite magazine}}: sana kiritilishi kerak boʻlgan parametrga berilgan qiymatni tekshirish lozim: |date= (yordam)
  53. ↑ „Artificial Intelligence in Primary Health Care: Perceptions, Issues, and Challenges“. Yearbook of Medical Informatics. 28-jild, № 1. 2019-yil avgust. 41–46-bet. doi:10.1055/s-0039-1677901. PMC 6697547. PMID 31022751. {{cite magazine}}: sana kiritilishi kerak boʻlgan parametrga berilgan qiymatni tekshirish lozim: |date= (yordam)
  54. ↑ „Envisioning an artificial intelligence documentation assistant for future primary care consultations: A co-design study with general practitioners“. Journal of the American Medical Informatics Association. 27-jild, № 11. 2020-yil noyabr. 1695–1704-bet. doi:10.1093/jamia/ocaa131. PMC 7671614. PMID 32845984. {{cite magazine}}: Invalid |display-authors=6 (yordam); sana kiritilishi kerak boʻlgan parametrga berilgan qiymatni tekshirish lozim: |date= (yordam)
  55. ↑ Herter, Willem Ernst; Khuc, Janine; Cinà, Giovanni; Knottnerus, Bart J.; Numans, Mattijs E.; Wiewel, Maryse A.; Bonten, Tobias N.; de Bruin, Daan P.; van Esch, Thamar (4–may 2022–yil). „Impact of a Machine Learning-Based Decision Support System for Urinary Tract Infections: Prospective Observational Study in 36 Primary Care Practices“. JMIR Medical Informatics. 10-jild, № 5. e27795-bet. doi:10.2196/27795. ISSN 2291-9694. PMID 35507396.{{cite magazine}}: CS1 maint: date format ()
  56. ↑ „Artificial Intelligence for Mental Health and Mental Illnesses: an Overview“. Current Psychiatry Reports. 21-jild, № 11. 2019-yil noyabr. 116-bet. doi:10.1007/s11920-019-1094-0. PMC 7274446. PMID 31701320. {{cite magazine}}: sana kiritilishi kerak boʻlgan parametrga berilgan qiymatni tekshirish lozim: |date= (yordam)
  57. ↑ Chekroud, Adam M.; Bondar, Julia; Delgadillo, Jaime; Doherty, Gavin; Wasil, Akash; Fokkema, Marjolein; Cohen, Zachary; Belgrave, Danielle; DeRubeis, Robert (18–may 2021–yil). „The promise of machine learning in predicting treatment outcomes in psychiatry“. World Psychiatry. 20-jild, № 2. 154–170-bet. doi:10.1002/wps.20882. ISSN 1723-8617. PMC 8129866. PMID 34002503.{{cite magazine}}: CS1 maint: date format ()
  58. ↑ „Using Psychological Artificial Intelligence (Tess) to Relieve Symptoms of Depression and Anxiety: Randomized Controlled Trial“. JMIR Mental Health. 5-jild, № 4. 2018-yil dekabr. e64-bet. doi:10.2196/mental.9782. PMC 6315222. PMID 30545815. {{cite magazine}}: sana kiritilishi kerak boʻlgan parametrga berilgan qiymatni tekshirish lozim: |date= (yordam)
  59. ↑ „Natural Language Processing of Social Media as Screening for Suicide Risk“. Biomedical Informatics Insights (inglizcha). 10-jild. 2018-yil yanvar. 1178222618792860-bet. doi:10.1177/1178222618792860. PMC 6111391. PMID 30158822. {{cite magazine}}: sana kiritilishi kerak boʻlgan parametrga berilgan qiymatni tekshirish lozim: |date= (yordam)
  60. ↑ „The Future is Knocking: How Artificial Intelligence Will Fundamentally Change Psychiatry“. Academic Psychiatry. 44-jild, № 4. 2020-yil avgust. 461–466-bet. doi:10.1007/s40596-020-01243-8. PMID 32424706. {{cite magazine}}: sana kiritilishi kerak boʻlgan parametrga berilgan qiymatni tekshirish lozim: |date= (yordam)
  61. ↑ Rutledge, Robb B; Chekroud, Adam M; Huys, Quentin JM (1–aprel 2019–yil). „Machine learning and big data in psychiatry: toward clinical applications“. Current Opinion in Neurobiology. Machine Learning, Big Data, and Neuroscience (inglizcha). 55-jild. 152–159-bet. doi:10.1016/j.conb.2019.02.006. ISSN 0959-4388. PMID 30999271.{{cite magazine}}: CS1 maint: date format ()
  62. ↑ 62,0 62,1 62,2 62,3 „From Novel Technology to Novel Applications: Comment on "An Integrated Brain-Machine Interface Platform With Thousands of Channels" by Elon Musk and Neuralink“. Journal of Medical Internet Research. 21-jild, № 10. 2019-yil oktabr. e16356-bet. doi:10.2196/16356. PMC 6914250. PMID 31674923. {{cite magazine}}: sana kiritilishi kerak boʻlgan parametrga berilgan qiymatni tekshirish lozim: |date= (yordam)
  63. ↑ „Artificial intelligence in radiology“. Nature Reviews. Cancer. 18-jild, № 8. 2018-yil avgust. 500–510-bet. doi:10.1038/s41568-018-0016-5. PMC 6268174. PMID 29777175. {{cite magazine}}: sana kiritilishi kerak boʻlgan parametrga berilgan qiymatni tekshirish lozim: |date= (yordam)
  64. ↑ Liu, Xiaoxuan; Faes, Livia; Kale, Aditya U; Wagner, Siegfried K; Fu, Dun Jack; Bruynseels, Alice; Mahendiran, Thushika; Moraes, Gabriella; Shamdas, Mohith (1–oktabr 2019–yil). „A comparison of deep learning performance against health-care professionals in detecting diseases from medical imaging: a systematic review and meta-analysis“. The Lancet Digital Health (inglizcha). 1-jild, № 6. e271–e297-bet. doi:10.1016/S2589-7500 (19)30123-2. ISSN 2589-7500. PMID 33323251. {{cite magazine}}: Check |doi= value (yordam)CS1 maint: date format ()
  65. ↑ Richardson, Michael L.; Garwood, Elisabeth R.; Lee, Yueh; Li, Matthew D.; Lo, Hao S.; Nagaraju, Arun; Nguyen, Xuan V.; Probyn, Linda; Rajiah, Prabhakar (2021-yil sentabr). „Noninterpretive Uses of Artificial Intelligence in Radiology“. Academic Radiology. 28-jild, № 9. 1225–1235-bet. doi:10.1016/j.acra.2020.01.012. ISSN 1878-4046. PMID 32059956. {{cite magazine}}: sana kiritilishi kerak boʻlgan parametrga berilgan qiymatni tekshirish lozim: |date= (yordam)
  66. ↑ Seifert, Robert; Weber, Manuel; Kocakavuk, Emre; Rischpler, Christoph; Kersting, David (2021-yil mart). „Artificial Intelligence and Machine Learning in Nuclear Medicine: Future Perspectives“. Seminars in Nuclear Medicine. 51-jild, № 2. 170–177-bet. doi:10.1053/j.semnuclmed.2020.08.003. ISSN 1558-4623. PMID 33509373. {{cite magazine}}: sana kiritilishi kerak boʻlgan parametrga berilgan qiymatni tekshirish lozim: |date= (yordam)
  67. ↑ 67,0 67,1 67,2 67,3 „Evaluation and accurate diagnoses of pediatric diseases using artificial intelligence“. Nature Medicine. 25-jild, № 3. 2019-yil mart. 433–438-bet. doi:10.1038/s41591-018-0335-9. PMID 30742121. {{cite magazine}}: Invalid |display-authors=6 (yordam); sana kiritilishi kerak boʻlgan parametrga berilgan qiymatni tekshirish lozim: |date= (yordam)
  68. ↑ „Artificial intelligence in medicine“. Metabolism. Insights Into the Future of Medicine: Technologies, Concepts, and Integration. 69S-jild. 2017-yil aprel. S36–S40-bet. doi:10.1016/j.metabol.2017.01.011. PMID 28126242. {{cite magazine}}: sana kiritilishi kerak boʻlgan parametrga berilgan qiymatni tekshirish lozim: |date= (yordam)
  69. ↑ 69,0 69,1 „Automated methods for the summarization of electronic health records“. Journal of the American Medical Informatics Association. 22-jild, № 5. 2015-yil sentabr. 938–47-bet. doi:10.1093/jamia/ocv032. PMC 4986665. PMID 25882031. {{cite magazine}}: sana kiritilishi kerak boʻlgan parametrga berilgan qiymatni tekshirish lozim: |date= (yordam)
  70. ↑ „Painful conversations: Therapeutic chatbots and public capacities“. Communication and the Public (inglizcha). 5-jild, № 1–2. 19–avgust 2020–yil. 35–44-bet. doi:10.1177/2057047320950636. PMC 7441483.{{cite magazine}}: CS1 maint: date format ()
  71. ↑ 71,0 71,1 71,2 „Elderly healthcare monitoring using an avatar-based 3D virtual environment“. International Journal of Environmental Research and Public Health. 10-jild, № 12. 2013-yil dekabr. 7283–98-bet. doi:10.3390/ijerph10127283. PMC 3881167. PMID 24351747. {{cite magazine}}: sana kiritilishi kerak boʻlgan parametrga berilgan qiymatni tekshirish lozim: |date= (yordam)
  72. ↑ 72,0 72,1 72,2 72,3 72,4 „Evolving telemedicine/ehealth technology“. Telemedicine Journal and e-Health. 11-jild, № 3. 2005-yil iyun. 370–83-bet. doi:10.1089/tmj.2005.11.370. PMID 16035932. {{cite magazine}}: sana kiritilishi kerak boʻlgan parametrga berilgan qiymatni tekshirish lozim: |date= (yordam)
  73. ↑ Garza-Galicia, M., Sosa, M., Low, R., & Simini, F. (2017). Enseñanza de un Programa de Ortesis Mental Clínica: Experiencia con Estudiantes de Medicina en Uruguay. Memorias Del Congreso Nacional De Ingeniería Biomédica, 4 (1), 91-94. Retrieved from: http://memorias.somib.org.mx/index.php/memorias/article/view/221 (Wayback Machine saytida 13-avgust 2021-yil sanasida arxivlangan)
  74. ↑ 74,0 74,1 74,2 74,3 „Savana: Re-using Electronic Health Records with Artificial Intelligence“. International Journal of Interactive Multimedia and Artificial Intelligence. 4-jild, № 7. 2018. 8–12-bet. doi:10.9781/ijimai.2017.03.001. ISSN 1989-1660.
  75. ↑ 75,0 75,1 75,2 „A decision support system for telemedicine through the mobile telecommunications platform“. Journal of Medical Systems. 32-jild, № 1. 2008-yil fevral. 31–5-bet. doi:10.1007/s10916-007-9104-x. PMID 18333403. {{cite magazine}}: sana kiritilishi kerak boʻlgan parametrga berilgan qiymatni tekshirish lozim: |date= (yordam)
  76. ↑ „EHRs connect research and practice: Where predictive modeling, artificial intelligence, and clinical decision support intersect“. Health Policy and Technology. 1-jild, № 2. 2012-yil aprel. 105–114-bet. arXiv:1204.4927. doi:10.1016/j.hlpt.2012.03.001. ISSN 2211-8837. {{cite magazine}}: sana kiritilishi kerak boʻlgan parametrga berilgan qiymatni tekshirish lozim: |date= (yordam)
  77. ↑ 77,0 77,1 „Enhancing Extraction of Drug-Drug Interaction from Literature Using Neutral Candidates, Negation, and Clause Dependency“. PLOS ONE. 11-jild, № 10. 2016. e0163480-bet. Bibcode:2016PLoSO..1163480B. doi:10.1371/journal.pone.0163480. PMC 5047471. PMID 27695078.
  78. ↑ 78,0 78,1 78,2 „Identification of adverse drug-drug interactions through causal association rule discovery from spontaneous adverse event reports“. Artificial Intelligence in Medicine. 76-jild. 2017-yil fevral. 7–15-bet. doi:10.1016/j.artmed.2017.01.004. PMC 6438384. PMID 28363289. {{cite magazine}}: Invalid |display-authors=6 (yordam); sana kiritilishi kerak boʻlgan parametrga berilgan qiymatni tekshirish lozim: |date= (yordam)
  79. ↑ 79,0 79,1 „Adverse drug events and medication relation extraction in electronic health records with ensemble deep learning methods“. Journal of the American Medical Informatics Association. 27-jild, № 1. 2020-yil yanvar. 39–46-bet. doi:10.1093/jamia/ocz101. PMC 6913215. PMID 31390003. {{cite magazine}}: sana kiritilishi kerak boʻlgan parametrga berilgan qiymatni tekshirish lozim: |date= (yordam)
  80. ↑ 80,0 80,1 „Position-aware deep multi-task learning for drug-drug interaction extraction“ (PDF). Artificial Intelligence in Medicine. 87-jild. 2018-yil may. 1–8-bet. doi:10.1016/j.artmed.2018.03.001. PMID 29559249. {{cite magazine}}: sana kiritilishi kerak boʻlgan parametrga berilgan qiymatni tekshirish lozim: |date= (yordam)
  81. ↑ Optimización del tratamiento de enfermos pluripatológicos en atención primaria UCAMI HHUU Virgen del Rocio. (Report). Sevilla. Spain. 14-aprel 2013-yil. 
  82. ↑ „The DDI corpus: an annotated corpus with pharmacological substances and drug-drug interactions“. Journal of Biomedical Informatics. 46-jild, № 5. 2013-yil oktabr. 914–20-bet. doi:10.1016/j.jbi.2013.07.011. PMID 23906817. {{cite magazine}}: sana kiritilishi kerak boʻlgan parametrga berilgan qiymatni tekshirish lozim: |date= (yordam)
  83. ↑ "Semeval-2013 task 9: Extraction of drug-drug interactions from biomedical texts (ddiextraction 2013).". 2. Second Joint Conference on Lexical and Computational Semantics. Association for Computational Linguistics.. 2013-yil iyun. pp. 341–350. 
  84. ↑ „Incorporating User Generated Content for Drug Drug Interaction Extraction Based on Full Attention Mechanism“. IEEE Transactions on NanoBioscience. 18-jild, № 3. 2019-yil iyul. 360–367-bet. doi:10.1109/TNB.2019.2919188. PMID 31144641. {{cite magazine}}: Invalid |display-authors=6 (yordam); sana kiritilishi kerak boʻlgan parametrga berilgan qiymatni tekshirish lozim: |date= (yordam)
  85. ↑ „Artificial intelligence-created medicine to be used on humans for first time“.
  86. ↑ „Novel molecules designed by artificial intelligence in 21 days are validated in mice“.
  87. ↑ „Has AI Discovered a Drug Now? Guess.“.
  88. ↑ „Deep learning enables rapid identification of potent DDR1 kinase inhibitors“. Nature Biotechnology. 37-jild, № 9. 2019-yil sentabr. 1038–1040-bet. doi:10.1038/s41587-019-0224-x. PMID 31477924. {{cite magazine}}: Invalid |display-authors=6 (yordam); sana kiritilishi kerak boʻlgan parametrga berilgan qiymatni tekshirish lozim: |date= (yordam)
  89. ↑ „Deep Genomics Nominates Industry's First AI-Discovered Therapeutic Candidate“. 25-sentabr 2019-yilda asl nusxadan arxivlangan. Qaraldi: 1-iyun 2022-yil.
  90. ↑ 90,0 90,1 90,2 90,3 Quan, Xiaohong Iris; Sanderson, Jihong (2018-yil dekabr). „Understanding the Artificial Intelligence Business Ecosystem“. IEEE Engineering Management Review. 46-jild, № 4. 22–25-bet. doi:10.1109/EMR.2018.2882430. ISSN 0360-8581. {{cite magazine}}: sana kiritilishi kerak boʻlgan parametrga berilgan qiymatni tekshirish lozim: |date= (yordam)
  91. ↑ 91,0 91,1 Abou-Zahra, Shadi; Brewer, Judy; Cooper, Michael (23–aprel 2018–yil). „Artificial Intelligence (AI) for Web Accessibility: Is Conformance Evaluation a Way Forward?“. Proceedings of the Internet of Accessible Things. W4A '18. Lyon, France: Association for Computing Machinery. 1–4-bet. doi:10.1145/3192714.3192834. ISBN 978-1-4503-5651-0.{{cite magazine}}: CS1 maint: date format ()
  92. ↑ 92,0 92,1 „The Application of Medical Artificial Intelligence Technology in Rural Areas of Developing Countries“. Health Equity. 2-jild, № 1. 1–avgust 2018–yil. 174–181-bet. doi:10.1089/heq.2018.0037. PMC 6110188. PMID 30283865.{{cite magazine}}: CS1 maint: date format ()
  93. ↑ 93,0 93,1 93,2 „A non-fatal case of intoxication with foxglove, documented by means of liquid chromatography-electrospray-mass spectrometry“. Journal of Forensic Sciences. 45-jild, № 5. 2000-yil sentabr. 1154–8-bet. doi:10.1520/JFS14845J. PMID 11005196. {{cite magazine}}: sana kiritilishi kerak boʻlgan parametrga berilgan qiymatni tekshirish lozim: |date= (yordam)
  94. ↑ „Artificial Intelligence in Healthcare: Machine Learning Use Cases“.
  95. ↑ 95,0 95,1 „The potential for artificial intelligence in healthcare“. Future Healthcare Journal. 6-jild, № 2. 2019-yil iyun. 94–98-bet. doi:10.7861/futurehosp.6-2-94. PMC 6616181. PMID 31363513. {{cite magazine}}: sana kiritilishi kerak boʻlgan parametrga berilgan qiymatni tekshirish lozim: |date= (yordam)
  96. ↑ U.S News Staff (2018-09-20). „Artificial Intelligence Continues to Change Health Care“. US News.
  97. ↑ "AI for Health CareArtificial Intelligence for Health Care". GrayRipples.com | AI | iOS | Android | PowerApps. 2020-03-04. Retrieved 2020-11-04.
  98. ↑ 98,0 98,1 „Patient Data-Sharing for AI: Ethical Challenges, Catholic Solutions“. The Linacre Quarterly. 87-jild, № 4. 2020-yil noyabr. 471–481-bet. doi:10.1177/0024363920922690. PMC 7551527. PMID 33100395. {{cite magazine}}: sana kiritilishi kerak boʻlgan parametrga berilgan qiymatni tekshirish lozim: |date= (yordam)
  99. ↑ 99,0 99,1 „A fairer way forward for AI in health care“. Nature. 573-jild, № 7775. 2019-yil sentabr. S103–S105-bet. Bibcode:2019Natur.573S.103N. doi:10.1038/d41586-019-02872-2. PMID 31554993. {{cite magazine}}: sana kiritilishi kerak boʻlgan parametrga berilgan qiymatni tekshirish lozim: |date= (yordam)
  100. ↑ „A governance model for the application of AI in health care“. Journal of the American Medical Informatics Association. 27-jild, № 3. 2020-yil mart. 491–497-bet. doi:10.1093/jamia/ocz192. PMC 7647243. PMID 31682262. {{cite magazine}}: sana kiritilishi kerak boʻlgan parametrga berilgan qiymatni tekshirish lozim: |date= (yordam)
  101. ↑ „Adoption of Machine Learning Systems for Medical Diagnostics in Clinics: Qualitative Interview Study“. Journal of Medical Internet Research. 23-jild, № 10. 2021. e29301-bet. doi:10.2196/29301. PMC 8556641. PMID 34652275. 
"https://uz.wikipedia.org/w/index.php?title=Sogʻliqni_saqlashdagi_sunʼiy_intellekt&oldid=4104675" dan olindi