Artigos e reportagens especiais
Escuchar
Pause
Play
Stop

Inteligência artificial, transformação da reumatologia? Parte II

Por : Estefanía Fajardo
Periodista científica de Global Rheumatology by PANLAR.


Cesar Graf
Especialista en reumatología Sociedad Argentina de Reumatología https://orcid.org/0000-0002-1803-1425



30 Junho, 2022

https://doi.org/10.46856/grp.26.ept125

"Na última década, a prática da reumatologia foi cercada por um grande número de inovações em tecnologias da saúde. Nesta segunda parte analisaremos a aplicação da inteligência artificial nesta especialidade."

Visualizações 1529Visualizações

Inteligência artificial, transformação da reumatologia? Parte II

Estefanía Fajardo , Cesar Graf MD 

INTRODUÇÃO

Desde o início do século XXI, e com maior ênfase desde a década de 2010, a prática da medicina tem estado no centro de um grande número de inovações no que diz respeito à implementação de tecnologias digitais na saúde. Isto inclui registro eletrônico de saúde, visitas virtuais, saúde móvel, tecnologia portátil, terapia digital, inteligência artificial e aprendizado automático. Hoje, a maior disponibilidade destas tecnologias oferece oportunidades para melhorar aspectos importantes da prática médica, como o acesso, resultados no tratamento, adesão e pesquisa. (1)

Nesta oportunidade abordamos a aplicação da inteligência artificial (IA) e as suas diferentes áreas no campo da reumatologia e, além disso, revisamos os desafios propostos por esta incursão na tecnologia que vem se desenvolvendo há anos, como vimos na primeira parte desta série de artigos especiais (2), bem como as ferramentas disponíveis e como podemos nos apropriar destas novas formas em benefício de nossos pacientes.

Os reumatologistas têm uma vasta experiência e profundo conhecimento contextual dos desafios enfrentados por pacientes, médicos e sistemas de saúde. Portanto, eles devem orientar o desenvolvimento e as aplicações desta tecnologia para as áreas onde ela é de maior benefício.

Fica claro que, devido ao grande volume de dados disponíveis nos prontuários eletrônicos, o número de possíveis trajetórias de tratamento e desfecho associado às comorbidades, medicamentos e outros fatores heterogêneos do paciente é maior do que um ser humano, mesmo um médico experiente, pode analisar.

As abordagens da IA têm o potencial de transformar o tratamento de doenças reumáticas, pois permitem avanços no diagnóstico precoce e facilitam uma abordagem mais individualizada com o objetivo de gerar os melhores resultados de saúde para os pacientes. (3.4)

Portanto, a IA será uma ferramenta fundamental na equipe de reumatologistas que, entre outras coisas, tem o potencial de apoiar pesquisas e cuidados clínicos e talvez até aliviar parte da carga burocrática. Devido a esses aspectos, é necessário conhecer as consequências derivadas da aplicação de tecnologias de inteligência artificial. (2,3,4).

Tal como acontece com a implementação de qualquer nova tecnologia, haverá obstáculos antes que haja uma ampla adoção da IA ​​na área da saúde. Atualmente existem debates sobre privacidade de dados, regulamentações e desafios técnicos, por isso é necessário revisar os registros e algoritmos que são usados ​​para treinar os diferentes sistemas de IA com uma abordagem crítica. (5) Nisto, ainda, não há substituto para o escrutínio e cuidado humano.

 

ONDE ESTAMOS NA REUMATOLOGIA?

Nos últimos anos, tivemos avanços substanciais no tratamento das doenças reumáticas; conseguimos um melhor entendimento da sua fisiopatologia e a possibilidade de reposicionar o uso de drogas antirreumáticas, desenhando novas terapias e desenvolvendo estratégias terapêuticas como o T2T, aplicado inicialmente na artrite reumatoide, e posteriormente em outras doenças, como lúpus, espondiloartrites e outras patologias nas quais o acompanhamento com ferramentas como a clinimetria tem possibilitado otimizar o tratamento de pacientes acometidos pela artrite inflamatória (3,5).

A IA tem sido utilizada em algumas áreas da reumatologia com resultados promissores. Algumas das áreas onde mais progressos foram feitos incluem análise de imagens, classificação e previsão de diferentes doenças e a resposta ao tratamento.

A evolução da inteligência artificial na reumatologia está ocorrendo em diferentes etapas, talvez com menos desenvolvimento do que em outras especialidades, mas com avanços tangíveis. Uma primeira fase incluiu projetos exploratórios para validar as abordagens em relação à experiência clínica, envolvendo estudos de prova de conceito e refinamento das ferramentas existentes. Espera-se que novos desenvolvimentos em algoritmos melhorem a prática clínica, pois economizam tempo na análise automatizada de imagens, e também avanços em algoritmos para ajudar a orientar decisões clínicas e, posteriormente, algoritmos para facilitar uma abordagem de tratamento totalmente personalizada que permite melhorar os resultados dos pacientes. (2)

No aprendizado por meio de máquinas, três subgrupos são identificados (Tabela 1), e os modelos que estão desenvolvendo o aprendizado profundo são de interesse especial (6) (veja a Figura)

 

Tabela 1. 

 

Tipo de aprendizagem

Exemplo

Aprendizagem supervisionada

Como reconhecimento de caligrafia, dígitos, classificação de imagens e documentos.

Aprendizado não supervisionado

Modelo preditivo treinado de maneira semelhante ao aprendizado supervisionado, mas a diferença é que o entendimento ocorre em dados não classificados ou não rotulados e descobre padrões de exemplos semelhantes entre grupos de dados.

Aprendizado reforçado

É um tipo de aprendizado de máquina em que não há treinamento com dados classificados ou não classificados; o sistema aprende em um ambiente sem informações sobre a saída possível, por meio de ações e dos resultados obtidos. Em outras palavras, o modelo se fortalece resolvendo o problema da melhor forma (14).

Fonte: Feito pelos autores. 

 

O aprendizado profundo pode ajudar aos reumatologistas classificando doenças e prevendo a atividade de cada patologia. O reconhecimento automatizado das imagens e o processamento da linguagem natural provavelmente serão pioneiros na implementação da inteligência artificial na reumatologia. (4)

Há uma longa história de imagens de inteligência artificial em reumatologia, usando métodos clássicos, mas a maioria deles não chegou à prática clínica. Recentemente, ferramentas de aprendizado profundo demonstraram o potencial de interpretar imagens automaticamente além da precisão do nível humano. (7)

 

Figura 1

Infografía

Fonte: Adaptado da referência 6

 

Alguns exemplos de usos da IA ​​em reumatologia, muito interessantes e demonstráveis ​​até o momento, são:

  • Algoritmos para identificar casos em prontuários médicos

Um estudo de desenvolvimento e validação de algoritmo demonstrou que os métodos de aprendizado de máquina podem extrair registros de pacientes com artrite reumatoide de dados eletrônicos de saúde com alta precisão, permitindo pesquisas com orçamentos limitados em populações muito grandes. E destacam como elemento importante que a abordagem independe da linguagem e também pode ser aplicada a qualquer tipo de diagnóstico, levando em conta também o baixo custo baseado em dados já disponíveis em sistemas de prontuário eletrônico. (8)

 

  • Análise de imagens

Radiografias das articulações sacroilíacas são comumente usadas para o diagnóstico e estadiamento da espondiloartrite axial. Um estudo teve como objetivo desenvolver e validar uma rede neural artificial para a detecção de sacroileíte radiográfica definitiva como manifestação de espondiloartrite axial (axSpA). (9)

Os resultados deste estudo indicaram que a rede neural obteve excelente desempenho na detecção de sacroileíte radiográfica, definida com AUC de 0,97 e 0,94 para os conjuntos de dados de validação e teste, respectivamente. A sensibilidade e especificidade para a ponderação de corte de ambas as medidas foram igualmente 88% e 95% para a validação e 92% e 81% para o conjunto de teste. (9)

 

  • Capilaroscopia

O aprendizado profundo provou ser uma ferramenta útil na videocapilaroscopia do leito ungueal, com o resultado de permitir a análise objetiva e homogênea de imagens obtidas com vários dispositivos.

Como há falta de homogeneização do procedimento, principalmente na forma e local de obtenção das imagens, na contagem dos capilares e na mensuração do seu tamanho, um estudo buscou fornecer um software baseado no aprendizado profundo para obter dados objetivos e exaustivos de toda a dobra ungueal, sem aumentar o tempo ou esforço necessário para a realização do exame, nem exigir equipamentos caros. (10)

O projeto e desenvolvimento do software automatizado para contagem dos capilares da dobra ungueal foi realizado usando um conjunto de dados de imagens exploratórias (de 2.713 imagens com 18.000 medidas de 3 tipos diferentes). Posteriormente, foram criadas regras de aplicação para detectar a morfologia das imagens videocapilaroscopia da prega ungueal, através de um conjunto de imagens de treinamento. A confiabilidade do software foi avaliada com métricas padrão utilizadas no campo de aprendizado de máquina para tarefas de detecção de objetos, comparando a contagem automática e manual nas mesmas imagens de videocapilaroscopia da dobra ungueal. (10)

Os resultados deste estudo indicaram que uma precisão média (mAP) de 0,473 é alcançada para a detecção e classificação de capilares e hemorragias por sua forma, e um mAP de 0,515 para a detecção e classificação de capilares pelo seu tamanho. Estimou-se uma acurácia de 83,84% e um recall de 92,44% na identificação dos capilares. (10)

 

  • Classificação e previsão de doenças

Artrite psoriásica

As redes neurais podem ser treinadas com sucesso para distinguir a inflamação de RM soropositiva para AR, soronegativa para AR e relacionada à AP com base em padrões inflamatórios de RM da mão, e também, para testar como os pacientes com psoríase e inflamação subclínica se encaixam nestes padrões. (11)

As ressonâncias magnéticas de 649 pacientes (135 AR soronegativos, 190 AR soropositivos, 177 PsA, 147 psoríase) foram inseridas em redes neurais ResNet. A área sob a curva (AUC) foi de 75% para AR soropositivo versus AR PsA, 74% para AR soronegativo versus AR PsA e 67% para AR soropositivo versus AR soronegativo. Todas as sequências de RM foram relevantes para a classificação, no entanto, quando as sequências baseadas em agentes de contraste foram removidas, a perda de desempenho foi marginal. A adição de dados demográficos e clínicos às redes não proporcionou melhorias significativas para a classificação. A maioria dos pacientes com psoríase foi atribuída a PsA por redes neurais, sugerindo que um padrão de ressonância magnética semelhante à PsA pode estar presente no início da doença psoriática. (11)

Artrite reumatoide

Um modelo baseado no aprendizado de máquina foi desenvolvido, como parte de uma competição aberta colaborativa, que poderia prever mudanças na atividade da doença e também a resposta ao tratamento em pacientes com artrite reumatoide. Além disso, a análise dos padrões de acometimento articular e uma abordagem baseada neste tipo de inteligência artificial também possibilitaram o desenvolvimento de um modelo que poderia prever o curso da doença em pacientes com artrite idiopática juvenil. (12)

Além disso, a análise transcriptômica sinovial e uma abordagem baseada no aprendizado de máquina identificaram subgrupos de pacientes com artrite reumatoide e permitiram o desenvolvimento de um modelo que poderia prever a resposta do tratamento à inibição do fator de necrose tumoral, TNF. (12)

 

  • Resposta ao tratamento

As abordagens da inteligência artificial para prever a resposta ao tratamento estão sob investigação na reumatologia, e muitos potenciais preditores biológicos de resposta aos anti-TNFs foram identificados. No entanto, estes estudos ainda estão na fase exploratória e os resultados precisarão de validação antes de serem implementados na prática clínica. (13)

Foi descrito um modelo, descrito como "promissor", para orientar as decisões de tratamento na prática clínica que se baseia principalmente em perfis clínicos com informações genéticas adicionais, levando em consideração que a previsão precisa das respostas ao tratamento em pacientes com artrite reumatoide pode fornecer informações valiosas sobre a seleção eficaz de drogas.

As drogas antifator de necrose tumoral (anti-TNF) são um importante tratamento de segunda linha após o metotrexato, o tratamento clássico de primeira linha para a AR. No entanto, a heterogeneidade dos pacientes torna difícil identificar biomarcadores preditivos e modelar com precisão as respostas aos medicamentos anti-TNF. Este modelo descrito pelos pesquisadores foi útil para orientar as decisões de tratamento na prática clínica, pois se baseia principalmente em perfis clínicos com informações genéticas adicionais. (14)

 

Tabela 2

 

Projeto

IA

Aplicação

Identificação dos casos

Aprendizado automático

Extrato de prontuário eletrônico em pacientes com AR.

Análise de imagens

Aprendizado profundo

Detecção de sacroileíte como manifestação de espondiloartrite axial

Classificação de doenças

Redes neuronais

Distinguir inflamação por ressonância magnética relacionada à AR soropositiva, soronegativa e PsA.

Resposta ao tratamento

Big data

Guia de decisão de tratamento baseado em perfis clínicos com informações genéticas adicionais.

Fonte: Feito pelos autores.

ÉTICA E INTELIGÊNCIA ARTIFICIAL

A inteligência artificial e o aprendizado profundo, no entanto, têm limitações pragmáticas e teóricas que podem complicar o uso rápido e generalizado na prática clínica. É pouco provável que venha a substituir reumatologistas ou radiologistas na interpretação de imagens; em vez disso, provavelmente será desenvolvida uma solução híbrida que se beneficie da inteligência artificial e humana.

As aplicações atuais de big data, análise de dados e inteligência artificial na reumatologia, incluindo registros, algoritmos de aprendizado de máquina e plataformas voltadas para o consumidor, levantam questões em quatro áreas bioéticas principais: privacidade e confidencialidade, consentimento informado, impacto na saúde e justiça . O aprendizado de máquina e a big data ajudam no diagnóstico, tratamento e prognóstico, mas a decisão final sobre o uso das informações dos algoritmos deve ser deixada para os especialistas em reumatologia, mantendo a relação médico-paciente objetiva. (15)

A EULAR, em relação a algumas recomendações recentes para o uso de Big Data na reumatologia, estabelece alguns princípios gerais que abordam o seu uso em doenças reumáticas e musculoesqueléticas. Os pontos a serem considerados abrangem aspectos como fontes e coleta de dados, privacidade pelo design, plataformas de dados, compartilhamento de dados e análise de dados, inclusive por meio de inteligência artificial e aprendizado de máquina (13)

A metodologia para a formulação destes pontos foi baseada nos resultados da reunião de um grupo de trabalho multidisciplinar de 14 especialistas internacionais com experiência em diversas disciplinas, incluindo ciência da computação e inteligência artificial. Com base em uma revisão da literatura sobre o estado atual da big data em doenças reumáticas e musculoesqueléticas e em outros campos da medicina, foram formulados os diferentes pontos que, apontam, podem mudar à medida em que novas evidências e avanços nos diferentes campos são apresentados... (13)


O QUE SEGUE

No futuro, o aprendizado de máquina provavelmente ajudará aos reumatologistas a prever o curso da doença e identificar fatores importantes em cada patologia. E, mais interessante, o aprendizado de máquina provavelmente será capaz de fazer propostas de tratamento e estimar o seu benefício esperado (por exemplo, por meio de aprendizado por reforço). Portanto, com base nas análises realizadas, os especialistas acreditam que a tomada de decisão compartilhada não incluirá apenas a opinião do paciente e a experiência empírica e baseada em evidências do reumatologista, mas também será influenciada pelas evidências do aprendizado de máquina. (6)

Aplicações futuras de inteligência artificial em reumatologia podem incluir o exame de associações entre genótipo e fenótipo, bem como o uso para extrair e analisar dados clínicos de registros eletrônicos de saúde (EHRs). Os prontuários eletrônicos contêm grandes quantidades de dados de pacientes do mundo real, tanto em formato estruturado (informações como códigos da Classificação Internacional de Doenças) quanto em um arranjo de texto livre (por exemplo, a narrativa das notas do profissional de saúde). (2)

Os resultados relatados pelo paciente, juntamente com valores laboratoriais, informações genéticas e transcriptômicas (por exemplo, de biópsias sinoviais) e dados radiológicos, aumentarão a qualidade das evidências para o aprendizado de máquina. Uma vez que aprenda com as suas próprias decisões, podemos realmente falar sobre medicina apoiada por inteligência artificial. Isso requer uma arquitetura para a coleta de dados, armazenamento, processamento, algoritmos e, por fim, integração ao sistema clínico e validação do suporte à inteligência artificial. (13)

Ao longo da sua vida profissional, um radiologista lerá mais de 10 milhões de imagens, um dermatologista analisará 200.000 lesões de pele e um patologista analisará quase 100.000 amostras. Imagine um computador fazendo esse trabalho por dias em vez de décadas, aprendendo e refinando seus insights de diagnóstico a cada nova imagem. Essa é a capacidade que a inteligência artificial trará para a saúde: o potencial de interpretar dados clínicos com mais precisão e rapidez do que especialistas médicos. (16) Basta pensar que os reumatologistas também se deparam diariamente com um número significativo de imagens com as quais precisam tomar decisões.

Ressalta-se também que alguns dos desafios apresentados pela Big Data e pela inteligência artificial incluem fontes de dados e coleta de dados: como coletá-los e armazená-los, garantindo ética e privacidade; como interpretar modelos de dados de análise complexa e quais são as implicações clínicas: como passar de big data para a tomada de decisão clínica. (13)

 

CONCLUSÕES

O aprendizado de máquina já mostrou aplicações clinicamente úteis na reumatologia. Tem o potencial de apoiar aos médicos em medicina clínica e experimental e promover a medicina personalizada. Para os pacientes, esta tecnologia oferece a possibilidade de maior transparência e autonomia. Os bancos de dados integrados têm o maior potencial para fornecer informações relevantes suficientes. (13)

Apesar do uso generalizado de aplicativos inteligentes na área da saúde, existem desafios para a sua adoção. A aceitação da tecnologia, especialmente para diagnóstico em ambientes clínicos; preocupações relacionadas à escalabilidade, integração e interoperabilidade de dados; a segurança, privacidade e ética dos dados digitais agregados são apenas alguns exemplos de desafios futuros. Por exemplo, a adaptação precoce de métodos de inteligência artificial na análise de redes sociais online revelou alguns desafios éticos que podem prejudicar a privacidade e autonomia das pessoas e causar estigmatização. (17)

Está claro para muitos que a inteligência artificial pode desempenhar um papel importante na abordagem das desigualdades globais nos cuidados de saúde para cada paciente, sistema de saúde e população. No entanto, os desafios no desenvolvimento e implantação de aplicativos de IA precisam ser minuciosamente analisados, antes da adoção generalizada e do impacto mensurável. (13)

A equidade deve ser central para a implementação da inteligência artificial em todos os sistemas de saúde. Os grandes conjuntos de dados são fundamentais para o desenvolvimento destas tecnologias, mas precisam ser representativos da população para garantir que todos possam se beneficiar.

Grupos minoritários geralmente são menos representados nos conjuntos de dados usados ​​para desenvolver algoritmos de IA, e os desafios de saúde para essas comunidades são menos óbvios para as equipes de ciência de dados, que tendem a não ser representativas dessas populações. A retórica em torno disto implica uma maior ênfase em recomendações personalizadas e ações individuais; no entanto, isto não deve prejudicar a importância da ação coletiva contínua para abordar os determinantes sociais e estruturais da saúde. (14)

Sem negligenciar este enorme potencial, poderíamos dizer que a inteligência artificial está na sua infância na reumatologia. Mais estudos são necessários para refinar e validar as abordagens de IA antes que possam ser usadas para orientar o manejo de doenças reumáticas na clínica, mas está claro que o aprendizado de máquina é um campo jovem e emergente na reumatologia.

O reconhecimento automático de imagens e a pontuação de lesões em raios-X provavelmente serão alguns dos primeiros aplicativos assistidos por IA a entrar no uso clínico de rotina.

 

AGRADECIMENTOS

Os autores deste trabalho para a Global Rheumatology gostariam de agradecer ao Dr. Juan José Scali por sua revisão antes da publicação. O Dr Scali é reumatologista e mestre em reumatologia argentina.
 

 

REFERÊNCIAS 

 

  1. Solomon DH, Rudin RS. Digital health technologies: opportunities and challenges in rheumatology. Nat Rev Rheumatol [Internet]. 2020 [citado el 12 de marzo de 2022];16(9):525–35. Disponible en: https://www.nature.com/articles/s41584-020-0461-x 
  2. Fajardo E, Graf C. Inteligencia artificial, ¿transformación de la reumatología? - Parte I. Global Rheumatology [Internet]. Pan American League of Associations of Rheumatology (PANLAR); 2022 Apr 21; Available from: http://dx.doi.org/10.46856/grp.21.e115
  3. Artificial Intelligence in rheumatic diseases: Can it solve the treatment management puzzle? [Internet]. European Medical Journal. 2021. Disponible en: https://www.emjreviews.com/rheumatology/symposium/artificial-intelligence-in-rheumatic-diseases-can-it-solve-the-treatment-management-puzzle-j170121/
  4. Kothari S, Gionfrida L, Bharath AA, Abraham S. Artificial Intelligence (AI) and rheumatology: a potential partnership. Rheumatology (Oxford) [Internet]. 2019;58(11):1894–5. Disponible en: https://academic.oup.com/rheumatology/article/58/11/1894/5511607?login=tru
  5. Augmenting diagnostics visión with AI. Quer G, Muse ED, Nikzad N, Topol EJ, Steinhubl SR. Lancet 2017;3 90:22 1. https://doi.org/10.1016/S0140-6736(17)31764-6
  6. Hügle M, Omoumi P, Van Laar JM, Boedecker J, Hügle T. Applied machine learning and artificial intelligence in rheumatology, Rheumatology Advances in Practice, Volume 4, Issue 1, 2020, rkaa005, https://doi.org/10.1093/rap/rkaa005
  7. Stoel B. Use of artificial intelligence in imaging in rheumatology – current status and future perspectives. RMD Open 2020;6:e001063. doi:10.1136/rmdopen-2019-001063
  8. Maarseveen TD, Meinderink T, Reinders MJT, Knitza J, Huizinga TWJ, Kleyer A, Simon D, van den Akker EB, Knevel R. Machine Learning Electronic Health Record Identification of Patients with Rheumatoid Arthritis: Algorithm Pipeline Development and Validation Study. JMIR Med Inform. 2020 Nov 30;8(11):e23930. DOI: 10.2196/23930. PMID: 33252349; PMCID: PMC7735897.
  9. Bressem KK, Vahldiek JL, Adams L, et al. Deep learning for detection of radiographic sacroiliitis: achieving expert-level performance. Arthritis Research & Therapy. 2021 Apr;23(1):106. DOI: 10.1186/s13075-021-02484-0. PMID: 33832519; PMCID: PMC8028815.
  10. Gracia Tello B, Ramos Ibáñez E, Fanlo Mateo P, Sáez Cómet L, Martínez Robles E, Ríos Blanco JJ, Marí Alfonso B, Espinosa Garriga G, Todolí Parra J, Ortego Centeno N, Callejas Rubio JL, Freire Dapena M, Marín Ballvé A, Selva-O'Callaghan A, Guillén Del Castillo A, Simeón Aznar CP, Fonollosa Pla V. The challenge of comprehensive nailfold videocapillaroscopy practice: a further contribution. Clin Exp Rheumatol. 2021 Dec 16. DOI: 10.55563/clinexprheumatol/6usce8. Epub ahead of print. PMID: 34936544.
  11. Folle L, Bayat S, Kleyer A, Fagni F, Kapsner LA, Schlereth M, Meinderink T, Breininger K, Tascilar K, Krönke G, Uder M, Sticherling M, Bickelhaupt S, Schett G, Maier A, Roemer F, Simon D. Advanced neural networks for classification of MRI in psoriatic arthritis, seronegative, and seropositive rheumatoid arthritis, Rheumatology, 2022;, keac197, https://doi.org/10.1093/rheumatology/keac197
  12. Pandit, A., Radstake, T.R.D.J. Machine learning in rheumatology approaches the clinic. Nat Rev Rheumatol 16, 69–70 (2020). https://doi.org/10.1038/s41584-019-0361-0….
  13. Gossec L, Kedra J, Servy H, et al. EULAR points to consider for the use of big data in rheumatic and musculoskeletal diseases. Annals of the Rheumatic Diseases 2020;79:69-76
  14. Manrique de Lara A, Peláez-Ballestas I. Big data, and data processing in rheumatology: bioethical perspectives. Clin Rheumatol [Internet]. 2020;39(4):1007–14. Disponible en: http://dx.doi.org/10.1007/s10067-020-04969-w
  15. Guan Y, Zhang H, Quang D, Wang Z, Parker SCJ, Pappas DA, Kremer JM, Zhu F. Machine Learning to Predict Anti-Tumor Necrosis Factor Drug Responses of Rheumatoid Arthritis Patients by Integrating Clinical and Genetic Markers. Arthritis Rheumatol. 2019 Dec;71(12):1987-1996. DOI: 10.1002/art.41056. Epub 2019 Nov 4. PMID: 31342661.
  16. Mamiya, H., Shaban-Nejad, A. & Buckeridge, D. L. Online public health intelligence: ethical considerations at the big data era (eds. Shaban-Nejad, A., Brownstein, J. & Buckeridge, D. L.) Public Health Intelligence and the Internet. Lecture Notes in Social Networks 129–148 (Springer, Cham. 2017).
  17. Panch T, Pearson-Stuttard J, Greaves F, Atun R. Artificial intelligence: opportunities and risks for public health. Lancet Digit Health [Internet]. 2019;1(1):e13–4. Disponible en: https://www.thelancet.com/journals/landig/article/PIIS2589-7500(19)30002-0/fulltext
enviar Envía un artículo