The Ulutas Medical Journal p-ISSN 2149-0430 e-ISSN 2149-388X

The Ulutas Medical Journal · ISSN 2149-0430 (印刷版), 2149-388X (在线版) · https://www.ulutasmedicaljournal.com/?mno=246747

社论 · 开放获取

编辑:人工智能在医学分析和伦理问题上的适用性

标题、摘要和全文为机器翻译。 英文原文

  • Kemal Turker Ulutas1
  1. Department of Clinical Biochemistry, Hatay Reyhanli State Hospital, Ministry of Health, Hatay, Turkiye ROR
下载 PDF (280.0 KB) 引用方式 doi:10.5455/umj.20250310075848

摘要

人工智能(AI)通过促成先进的诊断成像,预测分析,以及个性化的治疗策略,快速转变医学分析. 本社论回顾了AI融入医疗保健的双重性质. 一方面,AI处理庞大而复杂的数据集的能力可以大大提高诊断准确性,精简临床工作流程. 另一方面,它的部署引起了严重的道德问题,包括数据隐私,算法偏差,以及许多AI决策过程的不透明性. 此外,透明度和问责制方面的挑战使临床上采用这些技术更加复杂。 本条强调,迫切需要通过审查最近的进展和相关道德困境,建立强有力的监管框架和跨学科合作。 归根结底,虽然大赦国际有希望使病人护理发生革命性变化,但其可持续和公平执行取决于技术创新与道德监督之间的平衡.

关键词

全文

全文为机器翻译；以英文原文为准。 英文原文

亲爱的读者和作者们,人工智能(AI)技术的迅速发展正在改变多个部门,卫生保健站在这场革命的最前沿. (1)AI驱动的工具现在越来越多地用于医学分析——从诊断成像和预测分析到制定个性化治疗战略。 (2)虽然AI在提高诊断准确性和操作效率方面的潜力巨大,但其与临床实践的结合提出了复杂的道德问题 (3)本社论审查了在医学分析中应用AI所带来的变革性效益和道德挑战 (4)。 。 。

近年来,通过分析复杂的数据集和解释医疗图像,旨在支持临床医生的AI应用程序激增. (1, 2). 机器学习算法在解释辐射图像、检测病人数据中的微妙规律、甚至预测疾病爆发等方面都显示出能力 (4, 5)高级神经网络和深层学习系统也被用来分析基因组数据,进一步加强早期疾病检测和个人化治疗战略 (6)这些创新强调大赦国际在补充传统临床方法和改进决策过程方面的潜力。 (4)。 。 。

大赦国际处理大量数据的能力超过人的能力,从而能够确定本来可能被忽视的模式。 (5, 7). 成像中的AI算法实现了与专家放射学家的诊断率相匹配的诊断速率,从而减少了诊断误差并加快了病人的护理 (2, 4)此外,通过自动化日常任务,大赦国际允许专业人员将更多的时间用于管理复杂案件和提供直接护理。 (8)AI驱动的分析正在通过分析实时数据来识别某些条件下的高风险个人,从而能够及时干预,并有可能降低总体保健费用,从而使预防医学革命化。 (7, 9)。 。 。

尽管有大有希望的好处,将AI纳入医学分析带来了一些道德困境. 一个主要关切是数据隐私和安全,因为AI需要大量高质量的,往往是敏感的病人数据. 汇总和分析这些信息有可能无意中侵犯和滥用隐私。 (6)遵守《健康与健康保护法》和《GDPR》等条例对保护患者数据至关重要 (8)另一个挑战是偏见和公平。 AI算法仅与用来训练的数据一样客观;数据集的历史偏差会导致不同人群的性能差异. (3, 10)减轻偏见需要不断努力开发有代表性的数据集并不断评估算法性能 (11)。 。 。

透明度和问责制也构成重大挑战。 许多人工智能模型的“黑盒”性质使得难以理解其产出背后的决策过程,使临床信任和问责制复杂化。 (12)这种缺乏可解释性的情况突出表明,需要使大赦国际决策进程更加透明和易懂的方法。 (12)法律框架也必须演变,以应对大赦国际在医学领域构成的独特挑战。 在涉及AI的诊断错误或治疗错误的情况下确定责任仍然很复杂,需要制定明确的准则,以平衡创新与病人的安全 (10)。 。 。

将AI纳入医学分析代表了保健模式的转变,提供了提高诊断准确性、个性化治疗战略以及提高业务效率等好处 (1)然而,这些好处必须与包括数据隐私、透明度和问责制在内的道德要求审慎地加以平衡。 (3, 10, 11)新出现的最佳做法表明,在医学领域实现道德AI不仅仅是一个技术挑战,而且也是一个社会和政策驱动的挑战。 (8, 12)涉及技术专家、临床医生、伦理学家和管理机构的合作举措对于制定保障患者权利、同时促进创新的标准至关重要 (10)。 。 。

AI准备通过提供前所未有的数据处理能力和准确性来改变医学分析 (1)将其纳入保健工作取决于应对重大道德挑战,包括强有力的隐私、减轻偏见、提高透明度和建立明确的监管标准 (3, 10, 11)AI在医学方面的承诺是巨大的,但以健全和以病人为中心的方式部署它的责任也是巨大的。 (1, 4)我们鼓励学者提交有关人工智能在医学分析和道德问题中的适用性的文章,并提交报告阐明这一专题。

声明

作者贡献（CRediT）
所有作者对全部 14 项 CRediT 角色贡献均等（Conceptualization, Data curation, Formal analysis, Funding acquisition, Investigation, Methodology, Project administration, Resources, Software, Supervision, Validation, Visualization, Writing – original draft, Writing – review & editing）。
资助

Funding information was not reported in the published version of this article.

利益冲突
A conflict of interest statement was not reported in the published version of this article.
伦理批准
Ethics committee approval was not required for this article, as it is based on previously published literature and does not involve human participants, patient data or animals.
数据可用性
Data sharing is not applicable to this article as no new data were created or analysed in this study.

参考文献 (12)

12 条参考文献中有 11 条已链接 DOI。

  1. Topol E. Deep Medicine: How Artificial Intelligence Can Make Healthcare Human Again. New York: Basic Books; 2019. PubMed Google Scholar
  2. Esteva A, Kuprel B, Novoa RA, Ko J, Swetter SM, Blau HM, Thrun S. Dermatologist-level classification of skin cancer with deep neural networks. Nature. 2017;542 (7639):115–118. DOI Crossref PubMed Google Scholar
  3. Char DS, Shah NH, Magnus D. Implementing Machine Learning in Health Care—Addressing Ethical Challenges. N Engl J Med. 2018;378(11):981–983. DOI Crossref PubMed Google Scholar
  4. Obermeyer Z, Emanuel EJ. Predicting the Future—Big Data, Machine Learning, and Clinical Medicine. N Engl J Med. 2016;375(13):1216–1219. DOI Crossref PubMed Google Scholar
  5. Miotto R, Li L, Kidd BA, Dudley JT. Deep Patient: An Unsupervised Representation to Predict the Future of Patients from the Electronic Health Records. Sci Rep. 2016; 6:26094. DOI Crossref PubMed Google Scholar
  6. Beam AL, Kohane IS. Big Data and Machine Learning in Health Care. JAMA. 2018;319(13):1317– 1318. DOI Crossref PubMed Google Scholar
  7. Johnson AEW, Pollard TJ, Shen L, et al. MIMIC-III, a freely accessible critical care database. Sci Data. 2016; 3:160035. DOI Crossref PubMed Google Scholar
  8. Shortliffe EH, Sepúlveda MJ. Clinical Decision Support in the Era of Artificial Intelligence. JAMA. 2018;320(21): 2199–2200. DOI Crossref PubMed Google Scholar
  9. Krittanawong C, Zhang H, Wang Z, Aydar M, Kitai T. Artificial intelligence in precision cardiovascular medicine. J Am Coll Cardiol. 2017;69(21):2657– 2664. DOI Crossref PubMed Google Scholar
  10. Obermeyer Z, Powers B, Vogeli C, Mullainathan S. Dissecting racial bias in an algorithm used to manage the health of populations. Science. 2019; 366(6464): 447–453. DOI Crossref PubMed Google Scholar
  11. Nemati S, Holder A, Razmi F, Stanley MD, Clifford GD, Buchman TG. An interpretable machine learning model for accurate prediction of sepsis in the ICU. Crit Care Med. 2018;46(4):547– 553. DOI Crossref PubMed Google Scholar
  12. Rajkomar A, Dean J, Kohane I. Machine Learning in Medicine. N Engl J Med. 2019;380(14):1347– 1358. DOI Crossref PubMed Google Scholar

阅读全文

在此打开 PDF

正在加载 PDF…

若 PDF 未在此显示，请使用上方的下载按钮。

如何引用本文

Ulutas KT. Editorial: Applicability of Artificial Intelligence in Medical Analysis and Ethical Issues. Ulutas Med J. 2025;11(1):1-2. doi:10.5455/umj.20250310075848

Ulutas, K. T. (2025). Editorial: Applicability of Artificial Intelligence in Medical Analysis and Ethical Issues. The Ulutas Medical Journal, 11(1), 1–2. https://doi.org/10.5455/umj.20250310075848

Ulutas, K.T. (2025) 'Editorial: Applicability of Artificial Intelligence in Medical Analysis and Ethical Issues', The Ulutas Medical Journal, 11(1), pp. 1–2. doi: 10.5455/umj.20250310075848.

RIS (EndNote, Zotero) BibTeX JATS XML
在您的网站中嵌入本文

将此代码粘贴到您的页面。卡片显示标题、作者和 DOI，并链接回本文。

报告不一致
投稿 联系我们