人工智能（airtificalintelligence，AI）正在使计算机系统能够在日常生活的许多领域执行过去需要人脑的任务。
1.简介
Limkin等人提供了一个研究案例，有助于确保放射组学作为生物标志物的实际开发和增强，并促进其在临床实践中的实施。Gebremeskel等人提出了一种数据挖掘技术，用于优化技术，通过检查临床数据集来定义决定性特征，从而设想知识边缘提取，能够在其上下文中进行处理和分析。在分析中，使用AI加速药物恢复的指南，因此AI视野不仅强而且很重要。人工智能和网络医学技术的飞速发展、动力和问题，加快了医疗发展。该研究有力地证明了使用人工智能辅助工具治疗药物和治愈人类疾病，包括致命疾病COVID-19。各种研究对COVID-19进行了定性分析。这些研究主要从不同的角度考虑了冠状病毒。
2.文献综述
3.大数据和人工智能的应用
3.3.心血管。随着数据科学的兴起，心血管成像越来越受欢迎。有许多技术已应用于心血管医学，用于探索不同类型的疾病，以及提高患者护理质量和改善死亡率。人工智能在心血管医学中的潜力是巨大的，尽管对其认识不足可能会掩盖其潜在的临床影响。在成像链的所有阶段都存在一些复杂性，例如效率，时机和诊断缺失。人工智能应用的依赖性落在了强大的数据、合适的计算技术和工具上。而在某些领域，它依赖于其临床应用的验证，以图像切片，自动测量和诊断。心血管疾病现在具有准确的成像功能，并结合来自电子健康记录和病理学的大数据，以更好地表征不适和个性化治疗。研究已经探索了该领域，并提出了对该领域现有文献的研究。
过敏性结膜炎人群的患病率为15-20%。然而，由于缺乏了解，慢性阻塞性肺病的多因是环境、居住地、直接分布有着复杂的关系。药物对慢性肾脏病患者的益处和糖尿病的治疗类型，以及患者需要了解的其他疾病的可能性，这些疾病将根据干预的症状和危险因素帮助患者社会增强和慢性阻塞性肺病患者的康复，以减少体力帮助以创造永久性解决方案并防止社会疾病升级。
4医疗课题与障碍
医疗保健组织面临着许多挑战，例如分析大规模数据。随着医疗保健应用的快速增长，许多设备用于生成数据，其中许多设备用于更好地分析数据和做出更好的决策。以下是当今医疗保健组织面临的挑战。
4.2.关于机器和技术的知识。大多数技术人员或机器用户对使用技术/机器没有足够的知识。为了克服这个问题，技术人员和操作员在使用之前应该有足够的数据和知识来了解机器和技术，因为医疗和保健中使用的大多数机器都会发出辐射，这对人类和建筑物非常有害和危险。euroCAT基础设施需要作为辐射诊所实施。
图1：从各个角度看Springer库中搜索过程的详细信息
图2：ACM库中搜索过程的详细信息
图3：从各个角度看IEEE库的详细信息。
图4：ScienceDirect库中从各个角度搜索过程的详细信息。
图5：ScienceDirect库的详细信息
4.3．高耗能技术
4.4.昂贵。这是机器人和人工智能的一代，在医疗保健领域具有重要意义。但是，由于价格高昂，组织大多无法负担得起技术，机器和数据存储，无论是云数据库还是我们自己的数据库。
通过使用单队列模型参数，我们可以钝化我们面临的价格问题，以及我们将来将面临的价格问题；这将为医疗机构以及负担不起和无法获得这些技术的农村地区患者增加重要价值。
关于人工智能和大数据。
图1从图中给出的各种角度显示了Springer库中文献的详细信息。
图3描述了IEEE库的搜索过程的详细信息。
最后，尝试了ScienceDirect库，从各个角度看该库的详细信息如图4所示。该库得到了进一步的阐述，一些细节如图5所示。
5.结论
大数据和人工智能彻底改变了人们在日常生活的各个方面为人们的生活带来舒适感的一切。
特别是，它正在为医疗保健系统带来创新技术。它将传统的卫生系统转变为心血管，肿瘤学，耳部，哮喘，过敏，癌症或任何其他疾病形式的技术系统。大数据使得通过虚拟和实时系统诊断疾病变得容易。
本文的贡献是回顾本研究适用于移动医疗和电子医疗，其中讨论了使用大数据进行诊断和医疗保健系统的方法和模型。本文总结了人工智能和大数据目前在医疗健康和电子健康中的令人鼓舞的应用，这些应用对疾病诊断和患者护理具有潜在的附加值。拟议的研究将帮助研究人员在医疗保健领域设计新的解决方案。
述评：
人工智能（ArtificialIntelligence，AI）是指计算机像人一样拥有智能能力，是一个融合计算机科学、统计学、脑神经学和社会科学的前沿综合学科，可以代替人类实现识别、认知，分析和决策等多种功能。目前在医疗临床使用较多的主要有四种：一是智能影像，二是智能语音，三是医学机器人，四是临床智能决策。智能影像和语音是基于医疗图像和语音识别技术发展起来的，由于医学影像资料获取门槛较低且更有可能作为标准化，所以智能医学影像目前发展最为成熟，临床接受度最高，只不过仍然不属于医疗最核心领域。“医疗影像+AI”最早涉及、最主流应用范围在疾病筛查和辅助诊断，另外还有病理分析、医学图像的后期处理、放疗部位靶区勾画以及青少年生长发育评估等。
从麻醉学的发展历史来看，麻醉，其实是最早接近人工智能的医学科。基于临床药理学的发展，麻醉学早就建立了临床药物的药代动力学-药效动力学概念与模型(PK/PD模型)，这也是自动化麻醉和机器人麻醉的雏形。可是麻醉科的智能技术一直局限在“自动化”这一壁垒里，另外“自动化麻醉系统”完全无法颠覆麻醉师的诊疗习惯和工作方式。这是因为，即使接受手术麻醉的患者数量众多，但是有效和客观的临床数据收集不完整，缺乏麻醉和手术对于患者长期转归影响的临床观察资料。
人工智能也许能够代替麻醉医生的一部分工作，根据心率血压血氧等各种生命体征调节药物浓度用量以及输注速度，可以更精确的控制补液，成为麻醉医生实现精确化医疗的工具。在术前评估、麻醉方式选择、困难气道处理、术中和外科医生的沟通配合、各种紧急情况的处理上，还是需要麻醉医师自己判断处理。我们在思考人工智能在本学科的发展的同时，也要看到人工智能本身目前的一些发展短板。
例如，对人工智能最大的批评在于它的结果是否可以被解释。人们难以理解越发庞大的深度网络是如何发挥它的作用，每个节点有着怎样的功能。拿图像识别任务来说，比较早期的深度网络AlexNet有35K个参数,到了2014年，VGG16网络有138M个参数。在强大的表现背后，是一个人们从未接触过的，难以理解的庞大造物（考虑到标准模型只有19个自由参数）。
关于如何解读网络，现在逐渐有一些工作，即人工智能的可解释性。神经网络算法的提出，最开始是受到了生物学研究，尤其是神经研究的启发。不过即使针对比较简单的模式生物，比如只有302个神经元的线虫，我们也刚刚能理解一些最简单行为，比如趋热或者趋冷在神经系统里细胞层面是如何编码的。
不过相信人工智能技术的成熟，尤其在深度学习理解能力的进展，未来大量深度学习平台及框架开源会进一步降低算法实现的技术门槛，这些开源包大幅降低了应用深度学习算法的难度，再加上算力和数据的不断完善，将有助于我们更多更好更深入的用于大样本研究，进一步加快AI在麻醉学科的发展。
编译：花明秀述评：孙大健
原文链接：YangYC,IslamSU,NoorA,KhanS,AfsarW,NazirS.InfluentialUsageofBigDataandArtificialIntelligenceinHealthcare.ComputMathMethodsMed.2021Sep6;2021:5812499.
不感兴趣
看过了
取消
人点赞
人收藏
打赏
我有话说
0/500
同步到新浪微博
进群即领
扫码加入
扫码进群
您的申请提交成功
意见反馈
下载APP
健康界APP
了解更多
返回顶部
您已认证成功，可享专属会员优惠，买1年送3个月！开通会员，资料、课程、直播、报告等海量内容免费看！