Mar, 2023

应用人工智能于心理健康临床决策支持：我们学到了什么？

PDF
TL;DR本研究介绍了一种基于人工智能 (AI) 的 CDSS (临床决策支持系统) - Aifred Health， 针对重性抑郁症患者的治疗选择和管理，探讨了平衡临床工作流程和鼓励最终用户信赖的实现挑战，同时提出在构建，验证，培训和实施 AI-CDSS 过程中应该考虑的关键问题和建议。
clinical decision support systemsartificial intelligencemajor depressive disordermachine learningimplementation
发现论文，激发创造
  • 中国农村的 “卓越 AI 医生”：基于 AI 技术的 CDSS 应用中的紧张和挑战

    通过观察和对中国 6 个农村诊所的 22 名医生的采访，本文报道了 AI-CDSS 系统（“Brilliant Doctor”）的设计与当地流程的不一致、技术限制和可用性障碍，以及与 AI-CDSS 的透明度和可靠性有关的问题。尽管存在这些紧张关系，所有参与者对 AI-CDSS 的未来都表示积极的态度，特别是通过 “医生的 AI 助手” 在临床环境中实现人工智能协作的未来。最后，我们利用研究结果讨论了在发展中国家的农村临床环境中设计 AI-CDSS 干预的影响。

    Jan, 2021

  • 基于社会技术角度的时限医疗决策信任与协作人工智能设计

    研究利用决策辅助工具（DSTs）的机器学习模型来帮助抗抑郁药物的选择，但常常由于系统集成不良而在临床实践中失败。本研究通过迭代的共同设计过程探讨了临床医生使用 DSTs 进行抗抑郁药物治疗决策的感知，指出 DSTs 需要与医疗保健社会技术系统进行有效整合。结果表明，DSTs 应设计为支持患者 - 提供者协作的多用户系统，并提供按需解释，以解决预测和当前护理标准之间的差异的方式。该研究还考虑了如何在临床环境中设计 DSTs，以及设想中的潜在问题和挑战。

    Feb, 2021

  • 临床操作代码的神经机器翻译：医学诊断和不确定性量化

    医学的不确定性的数值化和 AI 模型在决策支持系统中的应用。

    Feb, 2024

  • 一种用于模拟临床决策的人工智能框架：马尔可夫决策过程方法

    为了应对医疗保健系统的成本和复杂度飞速增长、治疗方案不断增多以及信息传达不畅等问题，本文提出了一个通用的计算机 / 人工智能（AI）框架。 该框架结合了马尔可夫决策过程和动态决策网络，从临床数据中学习并制定综合的多方案规划，以优化患者治疗方案和促进患者康复，相较传统医疗保健方式大幅提高了患者康复率并降低了治疗成本。

    Jan, 2013

  • 了解人工智能决策支持工具的使用如何影响坦桑尼亚药剂师的批判思维和过度依赖技术

    研究旨在了解药店药剂师对 AI 技术在临床辅助诊断中的依赖程度，发现其中 25% 的时候，药剂师会在 AI 没有提供任何解释的情况下，仍然完全依赖 AI 做出决策。

    Feb, 2023

  • 普通人工智能：将智能决策支持融入关键的临床决策过程中

    本文设计并对一种基于 “Unremarkable Computing” 概念的新型 DST 进行了实地评估，结果表明将机器预测巧妙地嵌入到临床决策中可能会更好地得到医生的接受和应用，并分享了在原型开发中获得的经验。

    Apr, 2019

  • 影响临床决策中人工智能协作采纳的因素

    该研究旨在通过对医疗保健领域专家的一系列半结构化采访，识别人工智能用于临床决策的采用因素，并突出现有紧张关系与有效的人工智能协作之间的因素。

    Apr, 2022

  • 个性化临床决策支持系统的关注：联邦学习方法

    构建更好、更智能的医疗基础设施是智慧城市的终极目标之一。为了克服临床数据的异构性和易受攻击的特点带来的挑战，我们提出了一个基于深度学习的临床决策支持系统，采用联邦学习范式进行训练和管理，以保证患者隐私的安全，并实现大规模的临床数据挖掘。同时，我们采用了序列到序列模型架构，融合了注意力机制，旨在提供个性化的临床决策支持系统，具有可进化的特性，能够提供准确的解决方案，协助医护人员进行医学诊断。

    Jan, 2024

  • 基于人工智能决策支持系统的人类反应：准确性和偏见效应的用户研究

    通过基于在线游戏的实验，研究了使用不同 DSS 特征对人类反应的影响，显示参与者倾向于根据 DSS 建议打分，表现与游戏难度和 DSS 准确性有关，但他们的满意度并不完全与准确性相关。

    Mar, 2022

  • 复杂医学决策中人工智能人机协同的再思考：一项败血症诊断案例研究

    该研究旨在探讨 AI 系统的设计要求，以支持临床专家在早期诊断败血症方面做出更好的决策。通过对现有 AI 预测模块的基于医疗记录的电子健康档案系统的临床专家的形态学研究，该研究构建了 SepsisLab，通过 AI 算法预测败血症发展并可视化预测的不确定性，并提供减少不确定性的可行建议，从而展示了 SepsisLab 在人机协作方面的潜力，对未来的 AI 辅助败血症诊断和其他高风险医学决策具有重要意义。

    Sep, 2023