بازآفرینی پشتیبانی تصمیم گیری بالینی: تحلیل داده، هوش مصنوعی، و استدلال تشخیصی ۲۰۱۹
Reinventing Clinical Decision Support: Data Analytics, Artificial Intelligence, and Diagnostic Reasoning 2019

این کتاب نگاهی عمیق به فناوری های نوظهوری دارد که شیوه مدیریت بیماران توسط پزشکان را متحول می کنند، در عین حال تاکید می کند که بهترین متخصصان برای تصمیم گیری هم از هوش مصنوعی و هم از هوش *انسانی* استفاده می کنند.

هوش مصنوعی و یادگیری ماشین به تفصیل مورد بررسی قرار گرفته اند، همراه با توضیحات بالینی ساده در مورد شبکه های عصبی پیچشی، انتشار بازگشتی و تحلیل تصویر دیجیتال. نمونه های واقعی از نحوه استفاده از این ابزارها نیز مورد بحث قرار می گیرد، از جمله ارزش آنها در تشخیص رتینوپاتی دیابتی، ملانوما، سرطان سینه، متاستاز سرطان، و سرطان روده بزرگ، و همچنین در مدیریت سپسیس شدید.

با وجود تمام اشتیاق به هوش مصنوعی و یادگیری ماشین، لازم بود که برخی از انتقادات، موانع و محدودیت های این ابزارهای جدید نیز تشریح شود. از جمله انتقادات مطرح شده: کمبود نسبی شواهد علمی قاطع در حمایت از برخی از جدیدترین الگوریتم ها و به اصطلاح “مشکل جعبه سیاه”. فصلی در مورد تحلیل داده به بررسی عمیق روش های جدید انجام تحلیل زیرگروه ها و نحوه اجبار مدیران اجرایی حوزه سلامت به بازنگری در نحوه به کارگیری نتایج کارآزمایی های بالینی بزرگ در عمل پزشکی روزمره می پردازد. این ارزیابی مجدد به تدریج بر نحوه درمان دیابت، بیماری قلبی، فشار خون بالا و سرطان تاثیر می گذارد. تحقیقات مورد بحث همچنین نشان می دهد که تحلیل داده ها بر طب اورژانس، مدیریت دارویی و هزینه های مراقبت های بهداشتی نیز تاثیر خواهد گذاشت.

بررسی فرآیند استدلال تشخیصی، به چگونگی سنجش خطاهای تشخیصی، علل خطاهای فناورانه و شناختی و محتمل ترین راه حل ها برای بهبود این فرآیند می پردازد. این بررسی شامل روش های استدلال نوع ۱ و نوع ۲؛ اشتباهات شناختی مانند سوگیری در دسترس بودن، سوگیری عاطفی و لنگر انداختن؛ و راه حل های بالقوه ای مانند پروژه تشخیص انسانی است. در نهایت، کتاب به بررسی نقش زیست شناسی سیستم و پزشکی دقیق در پشتیبانی از تصمیم گیری بالینی می پردازد و چندین مطالعه موردی در مورد نحوه تحول مراقبت از بیمار توسط نسل بعدی هوش مصنوعی ارائه می دهد.

This book takes an in-depth look at the emerging technologies that are transforming the way clinicians manage patients, while at the same time emphasizing that the best practitioners use both artificial and human intelligence to make decisions.

AI and machine learning are explored at length, with plain clinical English explanations of convolutional neural networks, back propagation, and digital image analysis. Real-world examples of how these tools are being employed are also discussed, including their value in diagnosing diabetic retinopathy, melanoma, breast cancer, cancer metastasis, and colorectal cancer, as well as in managing severe sepsis.

With all the enthusiasm about AI and machine learning, it was also necessary to outline some of criticisms, obstacles, and limitations of these new tools. Among the criticisms discussed: the relative lack of hard scientific evidence supporting some of the latest algorithms and the so-called black box problem. A chapter on data analytics takes a deep dive into new ways to conduct subgroup analysis and how it’s forcing healthcare executives to rethink the way they apply the results of large clinical trials to everyday medical practice. This re-evaluation is slowly affecting the way diabetes, heart disease, hypertension, and cancer are treated. The research discussed also suggests that data analytics will impact emergency medicine, medication management, and healthcare costs.

An examination of the diagnostic reasoning process itself looks at how diagnostic errors are measured, what technological and cognitive errors are to blame, and what solutions are most likely to improve the process. It explores Type 1 and Type 2 reasoning methods; cognitive mistakes like availability bias, affective bias, and anchoring; and potential solutions such as the Human Diagnosis Project. Finally, the book explores the role of systems biology and precision medicine in clinical decision support and provides several case studies of how next generation AI is transforming patient care.