机构名称：
¥ 1.0
2020 年 1 月之前，医疗界的人工智能和机器学习 (AI/ML) 有很多理由对其领域的最新进展感到高兴。研究表明，基于学习的算法可以准确预测感染性休克的发生 [1]，基于 ML 的模式识别方法可以以皮肤科医生级别的准确度对皮肤病变进行分类 [2]，诊断性 AI 系统可以在常规初级保健就诊期间成功识别糖尿病视网膜病变 [3]，基于 AI 的乳腺癌筛查表现远远优于放射科医生 [4]，ML 驱动的分类工具改善了紧急严重程度指数以外的结果区分 [5]，AI 辅助系统简化了介入工作流程 [6]，算法驱动的组织研究实现了输液中心的重新设计 [7]。许多人可能会认为，经过近 60 年的测试 [8]，医疗领域的人工智能终于达到了成熟度、性能和可靠性水平，可以满足临床实践的严苛要求。然而，仅仅几个月后的今天，这种原本乐观的前景已变得阴云密布。全球医疗系统正面临着一种新型呼吸道疾病 COVID-19 的爆发。截至 2020 年 5 月 29 日，210 个国家已报告超过 5,800,000 例 COVID-19 病例（由严重急性呼吸综合征冠状病毒 2 (SARS-CoV- 2) 感染引起），导致超过 360,000 人死亡 [9]。虽然一种迅速出现的传染病升级为全球大流行是一种罕见的最坏情况，但它提供了一个观察医疗链中每个环节的弹性的机会。尽管压力巨大，但该链条中的大多数环节都经受住了第一波疫情的压力测试，而备受赞誉的人工智能/机器学习环节似乎已经屈服。然而，这种崩溃不能归咎于缺乏机会——恰恰相反：大众媒体和科学媒体上的几篇文章描述了人工智能辅助工具对患者结果产生积极影响的直接机会。这些应用范围从改进诊断、分类和预测 [10, 11] 到个性化治疗决策支持 [12] 到自动监测工具 [13]。这些基于人工智能的临床决策支持 (CDS) 是本篇观点文章的重点。那么，为什么人工智能辅助的 CDS 工具在抗击 COVID-19 方面的贡献似乎有限呢？
基于人工智能的临床决策支持...
主要关键词
相关文件推荐
