人工智能 (AI) 是一个总称,用于描述一组相互关联的领域。机器学习 (ML) 是指从过去的数据中学习以预测未来数据的模型。医学,特别是胃肠病学和肝病学,是数据丰富的领域,拥有广泛的数据存储库,因此为基于 AI/ML 的软件应用提供了丰富的基础。在本研究中,我们全面回顾了基于 AI/ML 的模型在这些领域的当前应用及其应用带来的机遇。具体而言,我们指的是基于 AI/ML 的模型在预防、诊断、管理和预后胃肠道出血、炎症性肠病、胃肠道癌前和恶性病变、其他非恶性胃肠道病变和疾病、乙型和丙型肝炎感染、慢性肝病、肝细胞癌、胆管癌和原发性硬化性胆管炎方面的应用。同时,我们确定了制约这些模型在医疗保健领域广泛应用的主要挑战,并努力探索克服这些挑战的方法。值得注意的是,我们详细阐述了对内在偏见、数据保护、网络安全、知识产权、责任、道德挑战和透明度的担忧。尽管速度比预期的要慢,但人工智能正在渗透到医疗保健行业。医疗保健领域的人工智能将成为现实,每位医生都必须参与其中。
摘要这是英国胃肠病学会(BSG)与欧洲胃肠道内窥镜检查学会(ESGE)之间的合作,并且是其2016年对抗血小板或抗凝治疗患者内窥镜检查指南的计划更新。指南开发委员会包括英国血液学学会,英国心血管干预学会的代表,以及英国慈善抗凝的两名患者代表以及英国血栓形成,以及胃肠病学家。使用年级方法学得出了符合同意II原则的过程以及证据和建议的强度。在提交出版之前,与包括BSG在内的所有成员社会进行了咨询。基于证据的修订是对内窥镜程序的风险类别以及血栓形成风险的类别的。尤其是对房颤的更详细的风险分析,并且根据以前的版本以来发布的试验数据,对直接口服抗凝剂的建议得到了加强。已经在急性胃肠道出血的患者的管理中添加了一个部分。重要的患者考虑重点。建议是基于在给定情况下血栓形成和出血之间的风险平衡。
最近,来自大型临床试验、电子健康记录、医学影像、生物库和多组学(基因组学、转录组学、代谢组学和蛋白质组学)数据库的“大数据”被越来越多地用于提高诊断准确性和治疗反应的可预测性 [ 2 ] 。然而,大数据在预测模型开发中的应用受到临床和非临床因素的高维性的困扰 [ 2 ] 。为了克服这一挑战,机器学习 (ML) 越来越多地被用于组织和解释这些大型数据集,以识别具有临床意义的模式并将其转化为改善的患者结果 [ 3 ] 。本综述重点介绍了将人工智能 (AI) 和机器学习纳入 IBD 领域的新兴努力。
人工智能 (AI) 已经到来,触及娱乐、教育、制造和医学等各个行业。人工智能是指机器能够独立收集信息,然后在先前知识的背景下进行测量、判断和预测。人工智能由机器学习驱动,机器学习是一组计算方法,用于从训练数据中的模式和关系中学习以预测结果或事件。对人工智能的希望和炒作都包含着准确性、速度、降低成本和超越人类感知的洞察力等概念。人工智能的这些潜在方面使其成为一种有吸引力的工具,有助于通过技术创新实现医疗保健领域的精确性、价值和创新承诺。支持人工智能在医学领域的出现是 3 大支柱的成熟。首先,
摘要 当无法通过更安全的方式获取有关患者诊断、预后或治疗的重要临床信息或出于研究目的时,需要进行肝活检。肝活检有几种方法,但主要采用经皮或经静脉方法。有多种针头可供选择,所用的方法和针头类型取决于患者的临床状况和当地专业知识,但对于非病变活检,建议使用 16 号针头。许多肝病患者的实验室凝血测试结果异常或接受抗凝或抗血小板药物治疗。更好地了解肝病止血变化有助于制定更合理、更基于证据的活检周围管理方法。总体而言,肝活检是安全的,但发病率和死亡率都很低,因此必须充分咨询患者。标本必须足够大才能进行组织病理学解释。与组织病理学家的沟通,获取相关的临床信息和其他调查的结果,对于生成具有临床用途的报告至关重要。
过去十年来,儿童炎症性肠病 (IBD) 的发病率一直在上升,其中最快增长的是诊断年龄小于 6 岁的儿童,即极早发性炎症性肠病 (VEO-IBD)。这些儿童的病情可能比大龄儿童和成人更严重。宿主基因对这一人群的影响突出表现为发病年龄小和独特的侵袭性表型。事实上,在患有 VEO-IBD 的儿童中已发现单基因缺陷,通常涉及原发性免疫缺陷基因,并已导致有针对性的救命治疗。本立场文件将讨论 VEO-IBD 的表型,概述针对这些儿童的方法和评估,以及哪些因素应引发对潜在免疫缺陷的关注。然后,我们将回顾有助于确定 VEO-IBD 患者潜在诊断的免疫学检测和遗传学研究,以及这种评估如何导致有针对性的治疗。本立场文件还将帮助儿科胃肠病学家识别何时应将患者转诊到专门照顾这些患者的中心。这些指南适用于儿科医生、照顾儿童的相关健康专业人员、儿科胃肠病学家、儿科病理学家和免疫学家。