Implicațiile inteligenței artificiale (IA) în farmacoterapie

Inteligența artificială (IA) transformă sănătatea și farmacoterapia prin optimizarea gestionării datelor, diagnosticării și planificării tratamentelor. Totuși, utilizarea ei ridică provocări etice majore, precum protecția datelor pacienților, transparența algoritmilor și responsabilitatea deciziilor. Lipsa unui cadru legal clar și riscul marginalizării profesioniștilor din sănătate subliniază necesitatea păstrării unui echilibru între tehnologie și intervenția umană.

Introducere

            Inteligența artificială (IA) a condus la numeroase progrese tehnologice în aproape toate domeniile, de la inginerie la arhitectură, educație, contabilitate, afaceri, sănătate și altele. IA a parcurs un drum lung în domeniul sănătății, jucând roluri semnificative în stocarea și gestionarea datelor și informațiilor – cum ar fi istoricul medical al pacienților, stocurile de medicamente etc., în diagnosticare sau pentru sprijinirea și simplificarea măsurilor de asistență medicală. În ultimii ani, a fost identificat un interes din ce în ce mai mare pentru utilizarea inteligenței artificiale (IA) în analiza și interpretarea unor domenii importante din farmacie, precum descoperirea de medicamente, proiectarea formelor de dozare și analiza polifarmacologiei [1,2].

Aplicații ale IA în medicină și farmacie

Păstrarea și gestionarea dosarelor medicale

            Păstrarea dosarelor medicale ale pacienților este o sarcină complexă. IA simplifică procesul de colectare, stocare, normalizare și urmărire a datelor. Proiectul Google DeepMind Health sprijină extragerea rapidă a dosarelor medicale, accelerând procesele de îngrijire medicală. De exemplu, Moorfields Eye Hospital NHS folosește acest proiect pentru a îmbunătăți tratamentele oftalmologice [3].

Asistență în diagnosticare

            IA sprijină diagnosticarea prin analiza imagisticii medicale (radiografii, CT, ECHO, ECG etc.), pentru detectarea bolilor. Algoritmul Medical Sieve dezvoltat de IBM funcționează ca un „asistent cognitiv”, având capacități excelente de analiză pentru detectarea anomaliilor, precum tumorile sau bolile cardiovasculare, și o precizie superioară celei umane. Programele specializate bazate pe deep learning pot fi utilizate pentru analiza aproape tuturor tipurilor de imagini medicale [4].

            În domeniul genomicii clinice, IA, precum sistemul Deep Genomics, identifică mutațiile genetice și predispoziția la anumite patologii. Această tehnologie ajută medicii să înțeleagă evenimentele celulare cauzate de variațiile genetice, contribuind la tratamente personalizate în oncologie [5].

Proiectarea planurilor de tratament

            În ceea ce privește utilizarea directă a medicației, soluțiile bazate pe IA au fost propuse pentru a aborda probleme legate de autoadministrarea medicamentelor, cu un accent deosebit pe utilizarea corectă a dispozitivelor, precum stilourile pentru insulină și inhalatoarele [6].

            În cadrul farmacoterapiei, IA devine de interes pentru identificarea tratamentelor personalizate, optimizarea regimurilor terapeutice și prezicerea interacțiunilor medicamentoase. Practicile actuale în farmacoterapie sunt ghidate în principal de studii clinice randomizate controlate și de ghiduri terapeutice. Cu toate acestea, medicii generaliști și farmaciștii se confruntă adesea cu provocări în a ține pasul cu standardele terapeutice aflate în continuă evoluție. Acest lucru poate duce la o aderență limitată la ghiduri, în special în cazul unor afecțiuni frecvente, precum hipertensiunea arterială, dislipidemia, boala coronariană și insuficiența cardiacă. Erorile medicamentoase, în special erorile de prescriere, sunt comune în cadrul clinicilor. Pentru a sprijini clinicianul în luarea deciziilor, au fost dezvoltate sisteme informatice de suport decizional – software-uri care sunt integrate pe scară largă în practica medicală și farmaceutică actuală [7]. Progresul recent în genomica funcțională și metodele computaționale avansate permite integrarea datelor pacientului cu caracteristicile chimice ale medicamentelor, pentru selectarea celor mai eficiente terapii.

            S-a încercat utilizarea tehnologiei IA pentru crearea planurilor de tratament eficiente, mai ales în situații critice, în care alegerea unei strategii adecvate devine dificilă. Sistemul IBM Watson for Oncology, de exemplu, analizează datele pacientului comparându-le cu mii de cazuri anterioare și oferă opțiuni de tratament informate. Acest sistem utilizează date din peste 300 de reviste medicale, 200 de manuale și milioane de pagini de text, furnizând clinicienilor oncologi soluții personalizate, bazate pe dovezi [8].

            A fost dezvoltat un sistem de sprijin decizional bazat pe IA pentru optimizarea schemelor farmacoterapeutice ale pacienților cu diabet zaharat de tip 2 (T2DM). Metoda propusă a fost dezvoltată pentru a prezice rezultatele potențiale ale tratamentelor și pentru a integra aceste modele predictive într-un sistem electronic de dovezi medicale (ERH). Au fost generați arbori decizionali pentru 8 clase de medicamente utilizate frecvent în patologii cardiovasculare: inhibitorii enzimei de conversie ai angiotensinei, blocanți ai receptorilor angiotensinei, diuretice tiazide, beta-blocante, blocante ale canalelor de calciu, antagoniști ai receptorilor mineralocorticoizi, diuretice de ansă, sau nitrați.

            S-a obținut un model predictiv robust, care oferă predicții precise, în special pentru perioadele scurte (3 luni), fiind util în optimizarea deciziilor clinice bazate pe date. Modelul a obținut o rată de acuratețe de 100% în recomandarea medicamentului adecvat pentru trei din cele opt medicamente analizate, demonstrând un potențial promițător. Pentru medicamentele cu rate de acuratețe mai scăzute, se estimează că performanța ar putea fi îmbunătățită prin utilizarea unui eșantion mai mare de date [9].

            Modelele IA își bazează deciziile pe probabilități derivate din datele existente. Cu toate acestea, când se confruntă cu schimbări neașteptate, cum ar fi noi opțiuni de tratament sau alerte privind siguranța medicamentelor, este posibil ca aceste modele să nu se adapteze imediat la noile circumstanțe, până când nu vor avea suficiente date care să susțină decizia. Această întârziere în actualizarea recomandărilor ar putea conduce la sugestii nepotrivite și poate face ca pacienții să fie excluși de la noile tratamente potențial benefice – de exemplu, trecerea de la o terapie triplă la o terapie cvadruplă pentru pacienții cu insuficiență cardiacă, în cazul folosirii de rețele neurale. O posibilă soluție la această problemă este utilizarea arborilor de decizie, care permite ajustarea simplă a probabilităților pentru recomandările de medicamente în condiții medicale specifice [10]. De exemplu, în contextul insuficienței cardiace cu fracție de ejecție redusă, un model simplu, cum ar fi un arbore decizional, poate fi ajustat manual astfel încât să acorde o probabilitate de 100% pentru utilizarea unui medicament precum un inhibitor SGLT2 la pacienții eligibili, ceea ce ar accelera procesul de adaptare la noile recomandări terapeutice. Rețelele neuronale se bazează pe antrenarea continuă cu date noi. Dacă doar un număr mic de pacienți au primit noul tratament (SGLT2-inhibitor), modelul nu va recomanda acest medicament decât după ce o proporție semnificativă (85%) dintre pacienți l-au primit deja, ceea ce necesită mult timp pentru a acumula suficiente date. Astfel, modelele simple, precum arborii decizionali, sunt mai eficiente în situații în care este nevoie de adaptare rapidă la noile terapii [9].

            Un alt studiu a utilizat patru algoritmi de învățare automată (ANN – Artificial Neural Network, RF – Random Forest, SVM – Support Vector Machine și LR – Logistic Regression) pentru a prezice rezultatele farmacoterapiei osteoporozei pe baza schimbărilor scorului T.

            Acuratețea generală a modelelor a fost de:

  • RF: 75% (cea mai mare acuratețe în analiza principală);
  • ANN: 71,7%;
  • LR: 70%;
  • SVM: 66,7%.

            Această metodă s-a dovedit eficientă în sprijinirea deciziilor clinice prin:

  • identificarea timpurie a pacienților cu osteoporoză subclinică, ce ar beneficia de inițierea terapiei de primă linie;
  • detectarea eșecurilor iminente ale terapiei de primă linie, permițând o schimbare timpurie către terapiile de linie a doua [11].

Asistență în sprijinul medical și administrarea medicamentelor

  • Molly – asistentă virtuală pentru gestionarea tratamentelor

            Molly este o aplicație de tip asistent virtual care ajută pacienții să gestioneze tratamentele și oferă sprijin în afecțiuni cronice. Este proiectată să furnizeze asistență pacienților printr-o interfață prietenoasă și un ghidaj clar în utilizarea medicației, inclusiv pentru patologiile cronice. Aceasta îmbunătățește aderența la tratament și reduce greșelile legate de autoadministrare, contribuind la o gestionare eficientă a bolilor în afara mediului clinic [12].

  • Ai Cure – monitorizare și control prin smartphone

            Ai Cure este o aplicație pentru smartphone care utilizează camera dispozitivului pentru a monitoriza pacienții și a asigura administrarea corectă a medicamentelor. Este folosită cu precădere în studiile clinice, având scopul de a îmbunătăți aderența pacienților la regimurile terapeutice complexe și de a reduce eșecurile terapeutice. Această tehnologie ajută cercetătorii să colecteze date mai precise privind comportamentul pacienților, contribuind la rezultate mai fiabile în studiile clinice [13].

  • Impactul aplicațiilor mobile în gestionarea bolilor cronice

            Un studiu privind aplicațiile mobile pentru boli cronice a arătat că acestea promovează schimbări semnificative ale stilului de viață, cum ar fi reducerea greutății corporale, alimentația sănătoasă și respectarea tratamentelor prescrise. Prin utilizarea alertelor și mesajelor personalizate, aplicațiile ca Ai Cure sprijină pacienții să-și mențină obiceiurile sănătoase și să respecte regimul medicamentos, reducând riscurile asociate afecțiunilor cronice [14].

Identificarea de substanțe active în diverse patologii

            Cele mai mari companii farmaceutice colaborează cu furnizori de tehnologii de IA și integrează această tehnologie în procesele lor de producție pentru cercetare și dezvoltare, inclusiv pentru descoperirea de noi medicamente. Conform rapoartelor, aproape 62% dintre organizațiile din domeniul sănătății intenționează să investească în IA în viitorul apropiat, iar 72% dintre companii consideră că IA va fi esențială pentru modul în care își vor desfășura activitatea în viitor. Cercetătorii subliniază că utilizarea acestor tehnologii îmbunătățește procesul decizional, optimizează inovația, crește eficiența cercetărilor și a studiilor clinice și creează instrumente utile pentru medici, consumatori, asiguratori și autorități de reglementare. Companii farmaceutice de top precum Roche, Pfizer, Merck, AstraZeneca, GSK, Sanofi, AbbVie, Bristol-Myers Squibb și Johnson & Johnson au colaborat deja sau au achiziționat tehnologii de IA. În 2018, Massachusetts Institute of Technology a format un parteneriat cu Novartis și Pfizer pentru a revoluționa procesul de proiectare și producție de medicamente prin Consorțiul de Învățare Automată pentru Descoperirea și Sinteza Medicamentelor [15].

            Principalele utilizări ale IA în cercetare și dezvoltare includ:

  • descoperirea de substanțe active noi/repurposingul unor substanțe deja autorizate în alte patologii pentru boli incurabile în prezent;
  • creșterea profilului de siguranță al medicamentelor existente;
  • combaterea rezistenței la medicamente și minimizarea eșecului terapeutic.

            Tehnologii de IA și inovații remarcabile în industria farmaceutică includ:

  • GNS Healthcare – REFS (Reverse Engineering and Forward Simulation)
    Acest software de IA analizează relațiile cauză – efect între diverse tipuri de date care nu pot fi identificate prin evaluări directe. REFS poate procesa milioane de puncte de date, incluzând informații clinice, genetice, de laborator, imagistice, farmaceutice și de geolocalizare. Această tehnologie facilitează analiza seturilor complexe de date biomedicale pentru descoperirea de medicamente [16].
  • Atomwise – AtomNet
    Atomwise a dezvoltat primul model de rețea neurală de învățare profundă pentru designul și descoperirea medicamentelor pe bază de structuri moleculare. AtomNet folosește o abordare statistică pentru a analiza milioane de măsurători experimentale ale afinității și mii de structuri proteice, prezicând proprietățile de legare ale moleculelor mici cu proteine. Această tehnologie creează imagini tridimensionale ale interacțiunilor moleculare, permițând chimiștilor să optimizeze procesul de descoperire a medicamentelor și să prezică toxicitatea într-un interval de câteva săptămâni, comparativ cu ani de zile în metodele tradiționale [17].
  • Insilico Medicine – Pharm AI
    Insilico Medicine a lansat proiectul Pharm AI, utilizând rețele contradictorii generative și algoritmi de învățare prin consolidare. Rețelele contradictorii generative sunt construite dintr-un model generator și un model discriminator. Cel dintâi creează noi tipare, pe baza tiparelor pe care modelul le-a învățat din datele de antrenament. Sarcina modelului discriminator este de a analiza aceste noi tipare și de a determina dacă sunt false sau autentice. Pharm AI permite generarea unor noi structuri moleculare și identificarea originii biologice a bolilor, contribuind la descoperirea de medicamente inovatoare [18].

Detectarea interacțiunilor medicamentoase

            IA joacă un rol crucial în detectarea interacțiunilor medicamentoase, reducând riscurile asociate tratamentelor complexe și îmbunătățind siguranța pacienților.

  • Analiza relațiilor cauză – efect între medicamente

      Sistemele IA, cum ar fi platforma Reverse Engineering and Forward Simulation (REFS), sunt capabile să analizeze simultan date variate pentru a identifica interacțiunile medicamentoase complexe. REFS utilizează puncte de date din domenii precum genetica, imagistica și informațiile clinice, pentru a prezice interacțiunile cu o precizie ridicată [19].

  • Predicția interacțiunilor multiple

      Modele avansate bazate pe activitatea enzimelor metabolice P450 și algoritmi de similaritate a medicamentelor au fost utilizate pentru a prezice interacțiunile între medicamente, alimente și microbiom. Aceste modele integrează baze de date mari și procese de învățare automată, pentru a oferi o înțelegere mai clară a potențialelor riscuri asociate utilizării simultane a mai multor substanțe [20].

  • Analiza avansată a datelor din studiile clinice

      Tehnologii bazate pe rețele neurale, cum ar fi cele propuse de Shtar și colegii săi, au demonstrat o acuratețe remarcabilă în detectarea interacțiunilor medicamentoase și optimizarea regimurilor terapeutice. Aceste metode sunt capabile să analizeze rețele complexe de interacțiuni, oferind o bază solidă pentru prevenirea evenimentelor adverse în rândul pacienților [21]. 

Etica utilizării inteligenței artificiale în sănătate și farmacoterapie

            IA a revoluționat domeniul sănătății prin îmbunătățirea diagnosticului, eficienței tratamentelor și procesului de identificare a substanțelor active în anumite patologii. Cu toate acestea, utilizarea sa ridică probleme etice semnificative, care trebuie abordate pentru a asigura beneficii echitabile și pentru a preveni abuzurile.

Echitatea accesului la IA în sănătate

            Unul dintre cele mai mari riscuri ale utilizării IA în sănătate este inegalitatea în accesul la această tehnologie. Algoritmii IA sunt în mod frecvent dezvoltați și antrenați pe seturi de date provenite din rândul unor populații specifice, ceea ce poate duce la rezultate mai puțin precise pentru alte grupuri demografice. În farmacoterapie, acest lucru poate însemna că anumite grupuri de pacienți nu beneficiază de tratamente personalizate eficiente, accentuând disparitățile existente în sistemele de sănătate. Este crucial ca modelele de IA să fie construite pe seturi de date diversificate și incluzive, astfel încât să reflecte nevoile tuturor pacienților [22].

Confidențialitatea datelor pacientului

            IA necesită volume mari de date pentru a funcționa eficient. În sănătate, aceasta implică procesarea datelor medicale sensibile, precum istoricul clinic, genetic și farmacologic al pacienților. Protejarea confidențialității și securității acestor informații este esențială. De exemplu, dacă datele pacienților sunt stocate sau procesate într-un mod care nu respectă reglementările privind confidențialitatea, cum ar fi GDPR în Uniunea Europeană, acest lucru poate duce la consecințe juridice și pierderea încrederii pacienților.

            Soluțiile propuse includ criptarea avansată a datelor, utilizarea anonimizării și crearea unor cadre legale stricte care să reglementeze modul în care companiile farmaceutice și organizațiile de sănătate utilizează datele [23].

Transparența algoritmilor

            Multe modele de IA, în special cele bazate pe rețele neuronale, sunt considerate „cutii negre”, ceea ce înseamnă că deciziile lor sunt dificil de interpretat chiar și pentru dezvoltatori. În farmacoterapie, unde deciziile IA pot influența direct tratamentul pacienților, lipsa transparenței ridică întrebări etice. Medicii și farmaciștii trebuie să înțeleagă cum și de ce un model de IA a recomandat un anumit medicament sau doză, pentru a evita erorile medicale.

            Transparența poate fi îmbunătățită prin dezvoltarea unor algoritmi specifici, care oferă raționamente clare pentru fiecare decizie luată. De asemenea, formarea personalului medical este esențială pentru a înțelege utilizarea IA [24].

Responsabilitatea pentru deciziile IA

            Un alt aspect etic important este stabilirea responsabilității pentru deciziile IA. În cazul în care un algoritm recomandă un tratament greșit sau provoacă efecte adverse neașteptate, cine este responsabil: dezvoltatorul software-ului, instituția medicală care a implementat tehnologia sau medicul care a urmat recomandarea? Lipsa unui cadru legal clar poate descuraja utilizarea IA sau, dimpotrivă, poate duce la utilizarea sa necontrolată [25].

Impactul asupra profesioniștilor din sănătate

            Pe măsură ce IA devine din ce în ce mai implicată în deciziile clinice și farmacoterapeutice, există preocupări legate de marginalizarea profesioniștilor din domeniul sănătății. Deși tehnologia este menită să sprijine personalul medical, utilizarea sa excesivă sau greșită poate duce la dependența excesivă de IA și la scăderea rolului uman în procesul decizional.

            Trebuie stabilit un echilibru sănătos între tehnologia IA și intervenția umană. Personalul medical trebuie să rămână principalul factor de decizie, utilizând IA ca instrument complementar [26].

Deciziile în farmacoterapie – riscuri și limitări

            În farmacoterapie, IA poate să prezică interacțiunile medicamentoase, să optimizeze dozele și să identifice tratamente personalizate. Totuși, algoritmii de IA pot face greșeli în situațiile de incertitudine sau când datele disponibile sunt insuficiente. De exemplu, modelele complexe, precum rețelele neuronale, pot întârzia adaptarea la noi terapii, ceea ce poate priva pacienții de tratamente inovatoare. Este important ca IA să fie utilizată împreună cu cunoștințele clinice ale medicilor și farmaciștilor. În plus, modelele de IA trebuie actualizate constant cu date noi, pentru a reflecta cele mai recente progrese terapeutice [9].

Concluzii

            Deși IA are un potențial uriaș de a transforma sănătatea și farmacoterapia, utilizarea sa ridică provocări etice semnificative. Tehnologia IA trebuie să fie un partener al profesioniștilor din sănătate, nu un înlocuitor, și să fie utilizată cu prudență, pentru a pune întotdeauna pacientul în centrul procesului decizional.

Pentru ABONAMENTE și CREDITE DE SPECIALITATE click AICI!

Referințe bibliografice:

  1. Vora LK, Gholap AD, Jetha K, Thakur RRS, Solanki HK, & Chavda VP (2023). Artificial intelligence in pharmaceutical technology and drug delivery design. Pharmaceutics, 15(7), 1916;
  2. Raza MA, Aziz S, Noreen M, Saeed A, Anjum I, Ahmed M, & Raza SM (2022). Artificial intelligence (AI) in pharmacy: an overview of innovations. INNOVATIONS in pharmacy, 13(2);
  3. Gasmi A (2022). Deep learning and health informatics for smart monitoring and diagnosis. arXiv preprint arXiv:2208.03143;
  4. Srivani, M., Murugappan, A., & Mala, T. (2023). Cognitive computing technological trends and future research directions in healthcare — A systematic literature review. Artificial Intelligence in Medicine, 138, 102513;
  5. Dias R, & Torkamani A (2019). Artificial intelligence in clinical and genomic diagnostics. Genome medicine, 11(1), 70;
  6. Vonbank A, Saely C, Rein P, Sturn D, & Drexel H (2013). Current cholesterol guidelines and clinical reality: a comparison of two cohorts of coronary artery disease patients. Swiss Medical Weekly, 143(2728), w13828–w13828;
  7. Naseralallah L, Stewart D, Price M, & Paudyal V (2023). Prevalence, contributing factors, and interventions to reduce medication errors in outpatient and ambulatory settings: a systematic review. International Journal of Clinical Pharmacy, 45(6), 1359–1377;
  8. Oren O, Gersh, BJ, & Bhatt, DL (2020). Artificial intelligence in medical imaging: switching from radiographic pathological data to clinically meaningful endpoints. The Lancet Digital Health, 2(9), e486–e488;
  9. Tarumi S, Takeuchi W, Chalkidis G, Rodriguez-Loya S, Kuwata J, Flynn M, … & Kawamoto K (2021). Leveraging artificial intelligence to improve chronic disease care: methods and application to pharmacotherapy decision support for type-2 diabetes mellitus. Methods of Information in Medicine, 60(S 01), e32–e43;
  10. Smith S, & McConnell S (2024). The use of artificial neural networks and decision trees: Implications for health-care research. Open Computer Science, 14(1), 20220279;
  11. Lin YT, Chu CY, Hung KS, Lu CH, Bednarczyk EM, & Chen HY (2022). Can machine learning predict pharmacotherapy outcomes? An application study in osteoporosis. Computer Methods and Programs in Biomedicine, 225, 107028;
  12. Kilfoy Alicia, Charlene Chu, Archanaa Krisnagopal, Enoch Mcatee, Sunny Baek, Mallory Zworth, Kyobin Hwang, Hyun Park, and Lindsay Jibb. Nurse‐led remote digital support for adults with chronic conditions: A systematic synthesis without meta‐analysis. Journal of Clinical Nursing;
  13. Debon R, Coleone, JD, Bellei EA, & De Marchi ACB (2019). Mobile health applications for chronic diseases: A systematic review of features for lifestyle improvement. Diabetes & Metabolic Syndrome: Clinical Research & Reviews, 13(4), 2507–2512;
  14. Ma J, Wang J, Ying J, Xie S, Su Q, Zhou T, … & Bian X. Long-Term Efficacy of an AI-Based Health Coaching Mobile App in Slowing the Progression of Non-Dialysis Dependent CKD: A Retrospective Cohort Study. Journal of medical Internet research;
  15. Mak KK, Wong YH, & Pichika MR (2024). Artificial intelligence in drug discovery and development. Drug discovery and evaluation: safety and pharmacokinetic assays, 1461–1498;
  16. Anderson JP, Parikh JR, Shenfeld DK, Ivanov V, Marks C, Church BW, … & Rublee DA (2016). Reverse engineering and evaluation of prediction models for progression to type 2 diabetes: an application of machine learning using electronic health records. Journal of diabetes science and technology, 10(1), 6–18;
  17. Wallach I, Dzamba M, & Heifets A (2015). AtomNet: a deep convolutional neural network for bioactivity prediction in structure-based drug discovery. arXiv preprint arXiv:1510.02855;
  18. Kapustina O, Burmakina P, Gubina N, Serov N, & Vinogradov V (2024). User-friendly and industry-integrated AI for medicinal chemists and pharmaceuticals. Artificial Intelligence Chemistry, 100072;
  19. Sonaji P, Subramanian L, & Rajesh M (2024). Artificial intelligence-driven drug interaction prediction. World Journal of Biology Pharmacy and Health Sciences, 17(2), 297–305;
  20. Chen, S., Li, T., Yang, L., Zhai, F., Jiang, X., Xiang, R., & Ling, G. (2022). Artificial intelligence-driven prediction of multiple drug interactions. Briefings in Bioinformatics, 23(6), bbac427;
  21. Shtar G, Rokach L, & Shapira B (2019). Detecting drug-drug interactions using artificial neural networks and classic graph similarity measures. PloS one, 14(8), e0219796;
  22. Nyariro M, Emami E, & Abbasgholizadeh Rahimi S (2022, May). Integrating equity, diversity, and inclusion throughout the lifecycle of artificial intelligence in health. In 13th Augmented Human International Conference, pp. 1–4;
  23. Williamson SM, & Prybutok V (2024). Balancing privacy and progress: a review of privacy challenges, systemic oversight, and patient perceptions in AI-driven healthcare. Applied Sciences, 14(2), 675;
  24. Hagenbuchner M (2020, October). The black box problem of AI in oncology. In Journal of Physics: Conference Series(Vol. 1662, No. 1, pp. 012012). IOP Publishing;
  25. Bottomley D, & Thaldar D (2023). Liability for harm caused by AI in healthcare: an overview of the core legal concepts. Frontiers in Pharmacology, 14, 1297353;
  26. Lorenzini G, Arbelaez Ossa L, Shaw DM, & Elger BS (2023). Artificial intelligence and the doctor–patient relationship expanding the paradigm of shared decision making. Bioethics, 37(5), 424–429.

Cuvinte-cheie: ,

Fii conectat la noutățile și descoperirile din domeniul medico-farmaceutic!

Utilizam datele tale in scopul corespondentei si pentru comunicari comerciale. Pentru a citi mai multe informatii apasa aici.





    Comentarii

    Utilizam datele tale in scopul corespondentei. Pentru a citi mai multe informatii apasa aici.