Artificial intelligence in healthcare data

هوش مصنوعی در داده‌های سلامت (Artificial Intelligence in Healthcare Data) عنوان کتابی است که با ویرایش آدام بور و کاوه معمارزاده، به عنوان یک منبع جامع و مرجع در حوزهٔ کاربرد هوش مصنوعی در صنعت پزشکی و سلامت منتشر شده است. این کتاب که توسط انتشارات معتبر Academic Press در سال ۲۰۲۰ به چاپ رسیده، با گردآوری مقالات متخصصان برجسته، تصویری کامل از چالش‌ها، فرصت‌ها و ابعاد گوناگون به‌کارگیری هوش مصنوعی در حوزهٔ داده‌های سلامت ارائه می‌دهد.

دربارهٔ کتاب «هوش مصنوعی در داده‌های سلامت»

کتاب پیشِ رو، بسیار فراتر از یک مقدمهٔ ساده بر هوش مصنوعی است و به عنوان یک راهنمای عملی برای تحلیل و بهره‌برداری از داده‌های کلان در حوزهٔ سلامت طراحی شده است. ساختار اثر به دو بخش اصلی تقسیم می‌شود: بخش نخست به بررسی چالش‌های کنونی نظام سلامت و ظهور هوش مصنوعی به عنوان راه‌حلی برای این مسائل می‌پردازد. در ادامه، دوازده فصل تخصصی توسط خبرگان هر حوزه نگاشته شده که تمام اکوسیستم سلامت را پوشش می‌دهد. این اثر با زبانی علمی و ساختاری منسجم، کاربردهای هوش مصنوعی را در حوزه‌های گوناگونی چون کشف و طراحی دارو، تشخیص و درمان سرطان، تصویربرداری پزشکی، تجهیزات و دستگاه‌های پزشکی، جراحی‌های رباتیک، و پایش از راه دور بیماران مورد کاوش قرار می‌دهد. همچنین به مباحث حیاتی و روزی چون امنیت و حریم خصوصی داده‌ها، بیمه‌های سلامت و جنبه‌های حقوقی و اخلاقی هوش مصنوعی در پزشکی می‌پردازد و با ارائهٔ مطالعه‌های موردی، دیدگاهی کاربردی به خواننده منتقل می‌کند.

دربارهٔ ویراستاران

آدام بور (Adam Bohr) و کاوه معمارزاده (Kaveh Memarzadeh)، ویراستاران این کتاب هستند. هر دو ویراستار با دانش و تخصص خود در زمینهٔ فناوری و داده‌های سلامت، این مجموعهٔ جامع را گردآوری کرده‌اند و با بهره‌گیری از همکاری نویسندگان متخصص، کتابی را ارائه داده‌اند که از سوی ناشران معتبر دانشگاهی مورد تأیید قرار گرفته است.

چرا باید «هوش مصنوعی در داده‌های سلامت» را بخوانید؟

**دریافت یک نمای ۳۶۰ درجه از کاربرد هوش مصنوعی در سلامت: این کتاب با پوشش طیف گسترده‌ای از موضوعات از کشف دارو تا مسائل حقوقی، تصویری کامل و بی‌نقص از وضعیت فعلی و آیندهٔ این حوزه ارائه می‌دهد. **آشنایی با جدیدترین تکنیک‌های تحلیل داده: شما با روش‌های پیشرفتهٔ تحلیل داده‌های سلامت، از جمله یادگیری ماشین و داده‌کاوی، آشنا خواهید شد و درک عمیقی از نحوهٔ پیاده‌سازی آن‌ها به دست می‌آورید. **بررسی ابعاد اخلاقی، حقوقی و امنیتی: این کتاب به مسائل حیاتی و چالش‌برانگیزی مانند حفظ حریم خصوصی، امنیت اطلاعات، و چارچوب‌های قانونی حاکم بر هوش مصنوعی در پزشکی می‌پردازد که برای هر متخصص این حوزه ضروری است. **استفاده از مطالعهٔ موارد واقعی و کاربردی: ارائهٔ مثال‌های عینی و مطالعهٔ موارد (Case Studies) در سراسر کتاب، به شما کمک می‌کند تا مفاهیم انتزاعی را در دنیای واقعی مصداق پیدا کنید و کاربرد عملی آن‌ها را درک کنید. **ارائهٔ محتوای تخصصی توسط خبرگان برجسته: هر فصل توسط یک متخصص صاحب‌نام در آن حوزهٔ خاص نوشته شده است که عمق و اعتبار علمی کتاب را دوچندان می‌کند.

این کتاب برای چه کسانی مناسب است؟

این کتاب به عنوان یک منبع مرجع، مخاطبان گسترده‌ای را شامل می‌شود. دانشجویان و محققان حوزه‌های هوش مصنوعی، علوم داده، مهندسی پزشکی و انفورماتیک سلامت، مخاطبان اصلی این اثر هستند. همچنین متخصصان و مدیران حوزهٔ سلامت، از جمله پزشکان، مدیران بیمارستان‌ها، و سیاست‌گذاران نظام سلامت که به دنبال درک بهتر از تحولات فناورانه و تأثیر آن بر فرآیندهای بالینی و مدیریتی هستند، می‌توانند از مطالب این کتاب بهره‌مند شوند. علاوه بر این، فعالان حوزهٔ فناوری اطلاعات سلامت، بیمه‌گران و کارشناسان حقوقی که با داده‌های سلامت سروکار دارند، این کتاب را منبعی ارزشمند برای آشنایی با ابعاد نوین حرفهٔ خود خواهند یافت.

سوالات متداول

آیا این کتاب به مبانی یادگیری ماشین و یادگیری عمیق نیز پرداخته است؟

بله، کتاب با ارائهٔ فصل‌های مقدماتی به بررسی مفاهیم پایه‌ای مانند داده‌های کلان، یادگیری ماشین و یادگیری عمیق در حوزهٔ سلامت می‌پردازد و سپس در فصول تخصصی‌تر، به کاربردهای خاص هر یک از این روش‌ها در حوزه‌های تشخیص و درمان اشاره می‌کند.

آیا کتاب صرفاً بر روی مباحث نظری متمرکز است یا کاربردهای عملی نیز دارد؟

این کتاب ترکیبی متعادل از مبانی نظری و کاربردهای عملی است. علاوه بر توضیح مفاهیم، با ارائهٔ مطالعه‌های موردی متعدد و مثال‌های واقعی از پیاده‌سازی هوش مصنوعی در محیط‌های بالینی و صنعتی، به خواننده کمک می‌کند تا درک کاربردی از موضوع پیدا کند.

آیا جنبه‌های اخلاقی و قانونی هوش مصنوعی در این کتاب پوشش داده شده است؟

بله، یکی از نقاط قوت این کتاب، توجه ویژه به چالش‌های غیرفنی هوش مصنوعی است. فصل مستقلی به بررسی دقیق چالش‌های اخلاقی و حقوقی اختصاص یافته و همچنین مباحث امنیت و حریم خصوصی داده‌ها در فصلی جداگانه و به طور عمیق مورد بررسی قرار گرفته است.

Artificial Intelligence (AI) in Healthcare is more than a comprehensive introduction to artificial intelligence as a tool in the generation and analysis of healthcare data. The book is split into two sections where the first section describes the current healthcare challenges and the rise of AI in this arena. The ten following chapters are written by specialists in each area, covering the whole healthcare ecosystem. First, the AI applications in drug design and drug development are presented followed by its applications in the field of cancer diagnostics, treatment and medical imaging. Subsequently, the application of AI in medical devices and surgery are covered as well as remote patient monitoring. Finally, the book dives into the topics of security, privacy, information sharing, health insurances and legal aspects of AI in healthcare. Highlights different data techniques in healthcare data analysis, including machine learning and data mining Illustrates different applications and challenges across the design, implementation and management of intelligent systems and healthcare data networks Includes applications and case studies across all areas of AI in healthcare data Artificial Intelligence in Healthcare Copyright Endorsement Contents List of contributors About the editors Biographies Preface About this book Intended audience How is this book organized Introduction The promise of an intelligent machine Current applications and challenges in healthcare 1 Current healthcare, big data, and machine learning 1.1 Current healthcare practice 1.1.1 The rising need for technology 1.1.2 New models in healthcare 1.2 Value-based treatments and healthcare services 1.2.1 Value-based healthcare 1.2.2 Increasing health outcomes 1.2.3 Patient-centered care (the patient will see you now) 1.2.4 Personalized medicine 1.3 Increasing data volumes in healthcare 1.3.1 Big data and data accumulation 1.3.2 Data generation sources 1.3.3 Big data types 1.4 Analytics of healthcare data (machine learning and deep learning) 1.4.1 Machine learning 1.4.2 Deep learning 1.5 Conclusions/summary References 2 The rise of artificial intelligence in healthcare applications 2.1 The new age of healthcare 2.1.1 Technological advancements 2.1.2 Artificial intelligence applications in healthcare 2.2 Precision medicine 2.2.1 Genetics-based solutions 2.2.2 Drug discovery and development 2.2.2.1 Drug property and activity prediction 2.2.2.2 De novo design through deep learning 2.2.2.3 Drug–target interactions 2.3 Artificial intelligence and medical visualization 2.3.1 Machine vision for diagnosis and surgery 2.3.1.1 Computer vision for diagnosis and surgery 2.3.2 Deep learning and medical image recognition 2.3.3 Augmented reality and virtual reality in the healthcare space 2.3.3.1 Education and exploration 2.3.3.2 Patient experience 2.4 Intelligent personal health records 2.4.1 Health monitoring and wearables 2.4.2 Natural language processing 2.4.3 Integration of personal records 2.5 Robotics and artificial intelligence-powered devices 2.5.1 Minimally invasive surgery 2.5.2 Neuroprosthetics 2.6 Ambient assisted living 2.6.1 Smart home 2.6.2 Assistive robots 2.6.3 Cognitive assistants 2.6.4 Social and emotional stimulation 2.7 The artificial intelligence can see you now 2.7.1 Artificial intelligence in the near and the remote 2.7.2 Success factors for artificial intelligence in healthcare 2.7.2.1 Assessment of condition 2.7.2.2 Managing complications 2.7.2.3 Patient-care assistance 2.7.2.4 Medical research 2.7.3 The digital primary physician 2.7.3.1 Artificial intelligence prequalification (triage) 2.7.3.2 Remote digital visits 2.7.3.3 The future of primary care References 3 Drug discovery and molecular modeling using artificial intelligence 3.1 Introduction. The scope of artificial intelligence in drug discovery 3.1.1 Areas in which machine learning techniques are applied in biotechnology 3.2 Various types of machine learning in artificial intelligence 3.2.1 Artificial neural networks as tools in drug discovery 3.2.2 Architecture of artificial neural network for drug discovery applications 3.2.3 Artificial neural network methods for structure prediction in proteins from their sequence 3.2.4 Artificial neural network methods for spectroscopy in biomedicine 3.3 Molecular modeling and databases in artificial intelligence for drug molecules 3.3.1 Databases for the training sets in drug discovery 3.3.2 Database mining 3.4 Computational mechanics ML methods in molecular modeling 3.4.1 Molecular dynamics simulation for drug development 3.4.2 Computations with quantum mechanical techniques for drug development 3.5 Drug characterization using isopotential surfaces 3.6 Drug design for neuroreceptors using artificial neural network techniques 3.7 Specific use of deep learning in drug design 3.7.1 Other applications of machine learning in drug development 3.8 Possible future artificial intelligence development in drug design and development References 4 Applications of artificial intelligence in drug delivery and pharmaceutical development 4.1 The evolving pharmaceutical field 4.2 Drug delivery and nanotechnology 4.3 Quality-by-design R&D 4.4 Artificial intelligence in drug delivery modeling 4.5 Artificial intelligence application in pharmaceutical product R&D 4.5.1 Artificial intelligence application in prototyping and early development: an example scenario 4.5.2 Artificial intelligence in late-stage development: an example scenario 4.5.2.1 Artificial intelligence in manufacturing development and control 4.6 Landscape of AI implementation in the drug delivery industry 4.7 Conclusion: the way forward References 5 Cancer diagnostics and treatment decisions using artificial intelligence 5.1 Background 5.2 Artificial intelligence, machine learning, and deep learning in cancer 5.3 Artificial intelligence to determine cancer susceptibility 5.4 Artificial intelligence for enhanced cancer diagnosis and staging 5.5 Artificial intelligence to predict cancer treatment response 5.6 Artificial intelligence to predict cancer recurrence and survival 5.7 Artificial intelligence for personalized cancer pharmacotherapy 5.8 How will artificial intelligence affect ethical practices and patients? 5.9 Concluding remarks References 6 Artificial intelligence for medical imaging 6.1 Introduction 6.2 Outputs of artificial intelligence in radiology/medical imaging 6.2.1 Preprocessing 6.2.2 Segmentation 6.2.3 Object detection 6.3 Using artificial intelligence in radiology and overcoming its hurdles 6.3.1 Not enough training data (data augmentation) 6.3.2 Unbalanced training data (data weighing) 6.3.3 Not representative training data (transfer learning, domain adaptation) 6.3.3.1 Transfer learning 6.3.3.2 Domain adaptation 6.3.3.2.1 Black box—algorithm explanation 6.3.3.2.2 Implementation/integration 6.4 X-rays and artificial intelligence in medical imaging—case 1 (Zebra medical vision) 6.4.1 X-rays and their role in medicine 6.4.2 X-ray discovery 6.4.3 Chest X-rays 6.4.4 RadBot-CXR—clinical findings using deep learning 6.4.5 Detecting osteoporosis using artificial intelligence 6.5 Ultrasound and artificial intelligence in medical imaging—case 2 (Butterfly iQ) 6.5.1 Ultrasound and its role in medicine 6.5.2 The Butterfly iQ 6.6 Application of artificial intelligence in medical imaging—case 3 (Arterys) 6.7 Perspectives References 7 Medical devices and artificial intelligence 7.1 Introduction 7.2 The development of artificial intelligence in medical devices 7.2.1 Activity tracking devices 7.2.2 Implants, bionics and robotics devices 7.3 Limitations of artificial intelligence in medical devices 7.4 The future frontiers of artificial intelligence in medical devices References 8 Artificial intelligence assisted surgery 8.1 Introduction 8.2 Preoperative 8.2.1 Preoperative risk assessment 8.2.2 Preoperative diagnosis 8.2.3 Preoperative staging 8.3 Intraoperative 8.3.1 Autonomous surgery 8.3.2 Computer vision 8.4 Postoperative 8.4.1 Detecting complications 8.4.2 Training and certification of surgeons 8.5 Conclusion References Further reading 9 Remote patient monitoring using artificial intelligence 9.1 Introduction to remote patient monitoring 9.2 Deploying patient monitoring 9.2.1 Patient monitoring in healthcare today 9.2.2 Using remote patient monitoring to improve clinical outcomes 9.3 The role of artificial intelligence in remote patient monitoring 9.3.1 Harnessing the power of consumer technology 9.3.2 Sensors, smartphones, apps, and devices 9.3.3 Natural language processing 9.3.4 Natural language processing technology applications in healthcare 9.3.5 Clinical decision support 9.3.6 Ambient assisted living 9.4 Diabetes prediction and monitoring using artificial intelligence 9.4.1 DiaBits 9.4.2 Other diabetes remote monitoring apps and devices 9.5 Cardiac monitoring using artificial intelligence 9.5.1 Virtual application of artificial intelligence in cardiology 9.5.1.1 Imaging interpretation 9.5.1.2 Clinical decision support systems 9.5.1.3 Artificial intelligence in virtual reality, augmented reality, and voice powered virtual assistants 9.5.1.4 “BIG DATA” for predictive analysis 9.6 Neural applications of artificial intelligence and remote patient monitoring 9.6.1 Dementia 9.6.1.1 Artificial intelligence in dementia monitoring 9.6.1.2 Smart homes to support dementia patients 9.6.2 Migraine 9.6.2.1 Migraine Buddy 9.6.2.2 Manage My Pain Pro 9.7 Conclusions References 10 Security, privacy, and information-sharing aspects of healthcare artificial intelligence 10.1 Introduction to digital security and privacy 10.2 Security and privacy concerns in healthcare artificial intelligence 10.2.1 Defining privacy 10.2.2 Privacy and data sharing 10.2.2.1 Toward data interoperability in healthcare 10.2.3 Safety and security in an era of emerging technologies in healthcare 10.2.4 Measures to protect sensitive data in healthcare 10.2.4.1 Traditional techniques 10.2.4.2 Emerging techniques 10.3 Artificial intelligence’s risks and opportunities for data privacy 10.3.1 Artificial intelligence’s risks for data privacy 10.3.1.1 Susceptibility to data privacy and integrity attacks 10.3.1.1.1 Reidentification of patients using artificial intelligence 10.3.1.1.2 Data integrity and bias 10.3.1.1.3 Inadvertent disclosure 10.3.1.2 More limited level of control over data ownership and handling 10.3.1.3 Less intuitive understanding of one’s data privacy 10.3.1.4 Use of sensitive health data outside of healthcare 10.3.1.5 Privacy externalities 10.3.2 Artificial intelligence’s opportunities for data privacy 10.3.2.1 Improving data utility 10.3.2.2 Better attribution of privacy violations 10.3.2.3 Improving physician productivity and data sharing 10.4 Addressing threats to health systems and data in the artificial intelligence age 10.4.1 Addressing cyberattacks and data breaches in healthcare 10.4.2 Government regulation of security and privacy in healthcare 10.5 Defining optimal responses to security, privacy, and information-sharing challenges in healthcare artificial intelligence 10.5.1 Governments 10.5.1.1 Regulation 10.5.1.2 Oversight and enforcement 10.5.1.3 National strategy development 10.5.2 Innovators 10.5.2.1 Build sustainable solutions 10.5.2.2 Adopting privacy principles 10.5.3 Developing privacy-centered solutions 10.5.4 Providers 10.5.4.1 Internal review 10.5.4.2 Governance 10.5.4.3 Education and training 10.5.4.4 Communication 10.5.5 Patients 10.5.5.1 Data ownership 10.5.5.2 Consent granting 10.6 Conclusions Acknowledgements References 11 The impact of artificial intelligence on healthcare insurances 11.1 Overview of the global health insurance industry 11.2 Key challenges facing the health insurance industry 11.2.1 Cost of healthcare 11.2.2 Increased expectations of customers 11.2.3 Regulatory overhead 11.3 The application of artificial intelligence in the health insurance industry 11.3.1 Overview and history of artificial intelligence 11.3.2 Artificial intelligence in health insurance 11.3.2.1 Improving customer experience 11.3.2.2 Reducing fraud 11.3.2.3 Improving back-office efficiency and reducing cost 11.3.2.4 Reducing risk and optimizing premiums 11.3.2.5 Creating new business opportunities 11.4 Case studies 11.4.1 Successes 11.4.2 Failures 11.5 Moral, ethical, and regulatory concerns regarding the use of artificial intelligence 11.5.1 Regulatory challenges 11.5.2 Ethical challenges 11.6 The limitations of artificial intelligence 11.6.1 Lack of talent 11.6.2 Lack of data or poor data quality 11.6.3 Artificial intelligence accuracy, bias, and relevance 11.6.4 Artificial intelligence as part of the decision process 11.6.5 Process control 11.7 The future of artificial intelligence in the health insurance industry References 12 Ethical and legal challenges of artificial intelligence-driven healthcare 12.1 Understanding “artificial intelligence” 12.2 Trends and strategies 12.2.1 United States 12.2.2 Europe 12.3 Ethical challenges 12.3.1 Informed consent to use 12.3.2 Safety and transparency 12.3.3 Algorithmic fairness and biases 12.3.4 Data privacy 12.4 Legal challenges 12.4.1 Safety and effectiveness 12.4.1.1 United States 12.4.1.1.1 Medical devices 12.4.1.1.2 Medical and certain decision support software 12.4.1.1.2.1 Software functions under Section 520(o)(1)(A)–(D) of the FDCA 12.4.1.1.2.2 Software functions under Section 520(o)(1)(E) of the FDCA 12.4.1.1.3 Other FDA initiatives 12.4.1.2 Europe 12.4.1.2.1 Medical devices and new legal developments 12.4.1.2.2 MDR 12.4.2 Liability 12.4.2.1 United States 12.4.2.2 Europe 12.4.3 Data protection and privacy 12.4.3.1 United States 12.4.3.2 Europe 12.4.4 Cybersecurity 12.4.5 Intellectual property law 12.5 Conclusion Acknowledgements References Concluding remarks Index