文化智能工作流、结构和步骤
詹姆斯•安德鲁•亨利
1、2、3
*
- 1生物医学科学研究所,英国伦敦
- 2先进的血液管理学会、皇家山,新泽西,美国
- 3英国输血协会,英国伯明翰
作品简介:抽象技术情报和提供预测和精确洞察在工作流管理障碍,类似于心脏病和血液疾病。人工智能(AI)的积极看法,支持机器学习(毫升)和深度学习(DL)管理与安全系统转换,改善健康。在部分,工作流中介绍了考试(X = AI)作为端到端结构,文化在逐步设计工作流管理民众健康管理系统。
方法:更好的医疗成果,社区和人员受益于一个解释,一个解释,阐明了工作流为公民或从业者理解个性化的平台。因此,作者进行了结构和实践回顾和评价的角度,影响人工智能在公共卫生和医学的管理。
结果:数据管理的人工智能工作流模型说明并告知,结构,文化、保证、流程步骤、价值观、和治理所需的公共卫生和医学文摘的见解。论文的端到端结构词的意义在工作文化解释逐步设计管理成功的人工智能。个性化护理图形提供一个待解释的词在生物分析的管理价值。
讨论:医疗领导collaboratives计划人口健康上游,工作场所和一工作流程格式。安全工作流程和安全健康系统需求证明基因组学和AI改进医学。因此,讨论组的理解当前的实践中,道德、政策和合法性。
结论:“文化、智能工作流、结构和步骤”改善与个性化的健康护理和使国家机会的认知,区域控制,和当地需求。个性化的实践文化支持分析系统来描述,预测精度、人口健康管理和规定的医学考试。
工作流程介绍
一个介绍工作流为全球卫生管理提供个性化的解决方案。背景检查概念在医学考试发展人工智能在所有医疗行业操作在一系列的论文管理通过国际标准的发展。系统前奏和艾城的论文提供一个解释和解释,阐明未来人口健康管理见解的意见。
系统的序曲
人工智能项目和计划如凝结物的有氧运动,病人血液管理、老年共病护理,和新生儿筛查得益于人口健康管理。说明整个手稿,工作流提供上游数据工作场所毫升和DL考试这一工作流程的医疗解决方案(图1)。实时或批量质量数据洞察力交付与医疗实践AI治理毫升和DL在考试过程和安全管理体系。个性化系统实践的发展在一系列的论文题目;- - - - - -
1。心房纤颤的基因组学的使命
2。文化智能工作流、结构和步骤
3所示。人口健康管理标准考试
4所示。个性化系统实践和组织因素
5。个性化系统实践考试转换
6。个性化系统改进实践考试
图1。工作流模型。
全球卫生管理
世界卫生组织支持数据驱动的服务在医疗“早期发现、诊断和医疗决策,“未来的人口健康管理(榜单)从事医生和公民用户在全球范围内(Wiegand et al ., 2019)。我们介绍了基因组学和个性化医疗法案,这要求实现个性化医疗研究的障碍,影响政府反思AI (Margetts Dorobantu, 2019)。
前卫的澳大利亚联邦国家公共资金综合灵活和适应性强的基因组医学系统范围的方法。而成功,经验教训包括预算审查,最值得注意的是,有关监督(Vidgen et al ., 2021)。
英国健康和保健法案授权国务卿健康和社会保健利用数字和基因组创新和英国医学协会参与数字生命科学在榜单(Iacobucci, 2021)。
政府重建更好的价值和原则整合数据集数字频道,在监督上工作流协调诊断与信息化核心目标的核心作用减少社会经济负担(Minkman 2016;伯麦et al ., 2021)。
如果不治疗其他国家,英国与公共卫生的方法解决了方差与数字工作流指南“好是什么样子的”(公共卫生英格兰,2019年)。原则行动寻求使工作流考试成为常态精度预测健康和保健(公共卫生英格兰,2019年)。
在全球范围内,负责任的基因组数据共享对人类健康的好处不仅需要policy-framing但设置技术标准(knopper 2014)。英国多家咨询服务为开发人员提供了一个监管协作方法或采用phenomics为临床研究提供一个生命科学的愿景和大规模基因组健康(2018年国际标准化组织(ISO)]。国际工作流组织来维持系统生物学的成功实践,为数字成熟开始自我评估标准(NHS, 2022)。榜单的护理执行工作流能力通过一个系统标准普遍基因组学,图像,和病理学实验室(2012年国际标准化组织(ISO)]。建立一个数字数据与智力策略规范整合上游,工作场所和工作流实现个性化的生物考试,影响社会经济的成功(2017年国际标准化组织(ISO),图1]。
工作流的背景
2014年,巴恩斯报告建议病理质量体系整合医院信任治理减少变量逆境(病理质量保证审查[网络],2014年),类似于心脏病或血液学诊断影响临床决策。2017年,作者提出了一个抽象的英国国家保证会议上为病人血液管理质量体系的建议,总结了生命科学需要拦截(2017年亨利,)。
2019年,美国社会先进的血液管理提出了一个抽象的心房纤颤(有氧运动)有关凝固(凝结物)基因组期货,正如作者陷害cardiocoagulum冠军(2019年亨利,)。cardiocoagulum社会经济风险的进一步分析,精度预测健康和保健的基因组与工作流任务为我们的工业生活榜单在未来健康(我们未来的健康,2021)。
今天,英国基因组的端到端交付战略研究、预防和精密支柱建立在数据驱动的主题(2020年英国基因组,)。数字智能策略支持区域长期公民需求分析研究设计(GOV.UK, 2021),工作场所和祖籍交付个性化的考试的建议。
在前进,综合保健系统(ICS)带来医疗辩论AI临床研究安全安全榜单数据流(Shelmerdine et al ., 2021)。公民的需求,评估与基因组学、构建模型本体基础在一个端到端的结构,为社区参与和操作ICS董事会精密医学(阿伦森和雷姆曾为此写过2015)。
端到端结构
工作流设计显示了民众健康卫生提供者或公社可以与上游特性对工作场所的智能管理这一工作流程检查拦截生物和社会经济负担(图1)。塑造医院数字期货生物本体模型在模型,包括社会保障需要工作流理解和函数来得到最好的人工智能(艰苦的et al ., 2021;马奎尔et al ., 2021)。计划与我们的社区和展示算法保证加强健康文化联盟带着端到端结构提供准确的决策支持核心考试(健康和社会福利公共卫生英格兰,2020年;英国国民健康保险制度,2020年)。
上游的特性
精度预测健康和保健的频率减少危害健康的上游生物数据,类似于功能基因组变化,组织图片,和病理学诊断(GIP)数据。Cardiocoagulum预审输入核苷酸信息,有或没有其他信息,个性化健康人口健康管理需求(表1)。
表1。Cardiocoagulum表。
cardiocoagulum表通知基因组领域潜在的重量病理学或图像数据,评估当前的临床意义,或报告预测健康价值。cardiocoagulum质量数据的输入将改善心血管和精密保健拦截hematological-related紊乱。P (gip,输入病理学和phenomics信息学作为生命科学整合image-proteomics多个医疗目的(表1)。
这两个e环境和年代ymptomatic数据集(GIP西文)将使培养和自然的鉴别诊断和评估其他因素影响公民(个人贝茨et al ., 2021)。环境输入多个原因的范围,包括病毒二氧化碳排放集中的个性化护理跨多个因素(Luengo-Oroz et al ., 2020;谭et al ., 2020)。
Genomic系统嵌入在医疗保健知识产权考试寻求解决健康固有特色和停止高风险决策管理民众健康表型(鲁丁,2019)。模型驱动可伸缩的、准确的医学通过健康记录作为数据集的特性与快速医疗互操作性资源抽象信息和协调预测精度与工作场所的智能(Rajkomar et al ., 2018)。
工作场所的情报
工作机和深入学习了情报使用组学特性,目标每个案例与监督或无监督算法学习抽象的价值,而神经网络激活更多的生物学见解,如药物发现(勒存et al ., 2015)。举例来说,一个基本的machine-learned算法说明转换为高维空间团队进展线性回归、决策树和支持向量分析(Hastie et al ., 2004,表2)。
表2。基本算法和方法的复杂性。
“向自动化数据科学算法hyperparameter调优,进步抽样,和自主组装使用数据集来预测健康更好的学习(坎特Veeramachaneni, 2015;Wistuba et al ., 2017)。Auto-hyperparameter选择概率和贝叶斯神经科学推理系统改善预测价值的全基因组关联研究(弗雷尔Hutter, 2019;Trochet et al ., 2019)。文摘培训高级神经结构搜索(表3),欢迎信任支持保证正确的考试管理人口健康(奥尔迪和大厅,2020)。
表3。工作场所的算法。
开源获得基本算法编码脚本对比多个NAS网络的元数据交付个人和他们的相互作用,发展模式的知识在未来健康(Ciancarini et al ., 2020)。今天,NAS潜水深入gip数据,以拦截精度对房颤诱发静脉血栓和中风发病率预测洞察力。此外,从和反向传播post-eXaminations更好的模型本体医院模式收益和社会经济成功(图2)。
图2。工作流结构。
NAS模式要求广度和深度范围内协助预后差和预先警告作为一系列加权抽象激活预测健康慢性心血管疾病(卢和Uddin, 2021)。职场智慧有时间和维数字用例工作空间数据集的“生物技术研究的声音”预测更大的洞察力来(Annabi et al ., 2021)。
一工作流程检查
诊断功能在70%以上的医疗干预,但往往不能带来通知表型或最合适的干预,同时未来工作流提供更好的公民健康phenomics数据集成用例个性化考试(Hallworth 2011)。
考虑下面的考试一工作流程非体力劳动的临床证据支持个性化医疗。工作场所流有关的诊断意义,精度预测健康和保健同时观察检查拦截。一名44岁男子承诺他的DNA基因组屏幕呈现给A / E轻度胸痛,心悸。心电图、血液分析计划:
流1:诊断意义包括心电图QT间隔短。148 Hb 11.1,血小板,白细胞计数2.9,胆固醇。6.1更易/ l,高密度脂蛋白0.9更易/ l,模棱两可的太多我和粘弹性MCF。轻微心绞痛历史计划做血管造影。
流2:预测健康包括猝死综合症,分数在中风、心血管疾病、和出血风险(抗凝血剂的要求)。变体包括LDLR和KCNQ rs2074238 T-allele, F.V. (GWAS凝结物的)和V.W.F. [(]。基因组微分考试确认收购血球减少(GWAS正常)。
第三流:精密保健寻找一个消融,拒绝对专家归档结果。胺碘酮、华法林、阿司匹林和氯吡格雷被VKORC1支持,CYPC2C19多晶型物。药物基因组学有针对性的胺碘酮和Rivaroxaban ABCBI稳定治疗,根据使用情况数据对病人的结果。
4日来源:考试后的结果了解血管造影与药用功效non-occlusive监测心电图、粘弹性、血液工作。行动,停止对氟卡尼胺碘酮,而DOAC剂量增加。轻微的血球减少已经解决。所有流提出了可以开发计算不确定性概率与一篇检查反向传播方法的发展。
工作流的文化
理论家、哲学家和心理学家的生物逻辑结论向AI保证最佳个性化医学,在社会并不区别的文摘手册决定健康(Englebretsen 2019)。文化对AI道德政府推荐数字评估保健解决方案(Gov.UK 2020)。NHS的行动一个人承诺实现劳动力对齐(英国国民健康保险制度,2020 b在考试),而AI解释榜单。
与抽象的杠杆公社或提供者参与合作论坛作为系统质量组织管理操作目标人群的健康干预,类似流感大流行应对个性化拦截(Syrowatka et al ., 2021)。文化对生物干预,一个数学考试的最佳实践决心数据工程师和科学家和专家医生在临床和质量劳动力工作流一起交付解决方案(李et al ., 2020)。
提出工作流汞合金不同文化,说明了多个组和参数智能解释认知,工作场所和阐明工作流使榜单(图3)。
图3。文化工作,保证流。
抽象的观念
抽象的观念有学者解释黑盒算法不理解作为科学超越分析师的认知能力(尼克尔森,2015)。部门可能会寻求透明度即使一个算法并不明显,而观测到的结果通知在最佳实践经验(拉尔森和Heintz, 2020)。积极的人工智能感知需要保证获得智慧与一个安全的数字流,文化安全的幸福在未来工作要做(图3)。
个性化医疗和其他全球努力,结合行星认知AI福利(托波尔和李,2019年)。所有权的数据用例提供了许多意见作为基因组关联匹配社区透明度概念的了解(Panch et al ., 2019;拉尔森和Heintz, 2020)。简化透明智能代理学习帮助积极的训词,原因有检查算法来保证决策(费雷拉和蒙泰罗,2020)。透明的综合保健系统使不透明与工作流的计划检查了解行动改变(表4)。
表4。不透明的工作流。
解释的工作场所
作为一个社会,我们评估生物真理和目前的评估,哲学,智慧,知识分析和explainability (图3)。系统生物学提供强劲的关联研究考试phenomics集成,从合作,并适当地管理(Uffelmann et al ., 2021)。解释的工作进展的方法和挑战可辩解的抽象为我们未来的健康(委托徐et al ., 2019)。
预测传统科学决定论与抽象解释的生物模型通过物理加工(Veatch 1970)。其中协调人与可翻译的发展可以解释的工作场所工作流程与操作考试,灌输信任从有氧基因学凝结物蛋白质修改(德弗里斯et al ., 2020;Schiano et al ., 2020)。虽然科学解释仍然争论不休,AI超过临床表现在几个基因组领域更成功设想在医疗保健改善公民生命周期之旅(Veatch 1970;佛格尔和Kvedar, 2018)。
然而,批上游数据集格式功能用例带来全球伦理查询一工作流程考试因为他们支持比例或确定的预后指定人类生物学和精密治疗决策过程(Jobin et al ., 2019)。负责,公平、合理的道德原则基因组信息学预见到表型而其他人工智能抽象目标精密见解个性化本体之前拦截,个性考试作为一个实施计划来改善结果(Jobin et al ., 2019)。
信任从启发式转移到抽象当监测病人的结果与人工智能的证据,类似于肿瘤治疗和职务检查跟进健壮的科学支持(Kimmelman和Tannock, 2018年)。用户原因反事实的评估需要加快征用考试,减少频率或严重伤害;在考虑精密医学没有序列分析原因健康不受DNA变异的影响,主张药物基因组学评价和安全健康(Prosperi et al ., 2020)。
值得信赖的关于算法和那些由一个算法的原因一个适当的用例,不需要法律,除了声称AI值得信赖不保证时,保险,阐明或约定(斯皮格尔霍尔特,2020)。
阐明工作流
解释本体或医院一工作流程,减少死亡率需要考试的说明检查任何偏见,使一个测试解释和一个有效的决策。人工智能用户更容易接受的抽象流程支持决策绩效指标时,代理AI,合成QA,委托用例成为常态图3)。
一工作流程保证提供一个“判断、决策和预测”,而减轻逆境与模型相关或无关的方法和合成数据(艾哈迈德et al ., 2020;陈et al ., 2021)。特定的工具本质上可判断的,属于一种算法的本质与可见性如何决定一个人工智能系统,与标准差成立一个“玻璃框(意大利广播电视公司,2019)。不可知论者的黑盒方法阐明AI解释,部分依赖的示例和因果关系解释,个人条件期望,积累了当地的影响(Renki 2020)。
期货阐明数据神经网络在医学生物技术,生物或治疗规范,作为人工智能提供了准确的临床医生不能(Sanal et al ., 2019)。阐明工作通过数据挖掘或图像从一个地方流需要评估和分类器之前提取知识与机器和深度学习(Vidushi Agarwal Rajoria, 2019;Aggarwal et al ., 2021)。社区和卫生服务提供者进行增强计算能力和云存储来减轻偏差和提高决策精度和改善工作流程,收敛劳动力(托2019)。医疗模型消除AI忧虑和革新幸福ICS榜单,规范组织和人员的影响(Spatharou et al ., 2020)。
考虑人工一词,它调用查询机制,需要一个解释和说明流的积极看法。情报寻求清晰这个词在一个工作场所的定义用例ML和DL算法抽象上游数据一工作流程考试文化流和保证工作(图3)。
一步一步的设计
英国国民健康保险制度建立在文化的洞察力正常通过启用循序渐进的过程实现数字化,数据和技术视野在长期的国民保健服务计划(卫生和社会保健,2018年;GOV.UK, 2019)。一起把社会的建议弗朗西斯,卡特和帕特森报告(下议院,2013年,2020年;卫生部,2016)要求关键一步推动者减轻方差或逆境,如图所示(图4)。
图4。工作流的步骤。
步骤1。集成的领导
2022年,英国健康和保健法案颁布使刚度与凝聚力和安全服务措施为NHS复苏应对长期的等待名单,慢性疾病,健康不平等1全球基因导致国家创新战略AI,数据,和委员会的核心目的改善结果,解决不平等,并使生产力与社会经济发展GOV.UK, 2019 b,2021年,一个,b;基因组学和全球联盟健康,2021;好,2021;NHS, 2022 b)。从而未来幸福已集成系统的治理措施的检查标准(NHS, 2022 b,图4)。
统一考试,英国守则协助政府在技术的设计和建造提供安全和伦理工作流功能(GOV.UK, 2021 c)。同时,NHS标准加强了最佳实践(NHS, 2021)。我们未来的健康项目支撑公共卫生考试开发新的方法来预防、检测和治疗疾病(2020年国民健康保险制度)。卫生研究机构和生物催化剂项目协助研究人员和企业开发项目,个性化的有效预处理post-eXamination过程,也保证了拦截(英国生物产业项目,2020;NHS卫生研究机构,2021年)。
ICS领导关注病人的观点与问责为临床安全数字传输和生命科学专家与技术合作伙伴评估公民和医疗提供者需要工作流考试委员会(NHS, 2022 b)。之后,英国卫生安全机构和医疗安全调查分支可以保护社区免受健康威胁的影响,并提供知识、科学、和业务领导安全的幸福,可以检查考试流程和系统管理(GOV.UK, 2021 d;医疗安全调查分支机构,2021年)。
步骤2。人口健康计划
综合保健系统管理民众的卫生需要“批准思维模型”与个性化的实践支撑建议澄清社会经济,国民健康保险制度和公共利益的政策目标(NHS, 2021 b)。英国国民健康保险制度计划与英国基因组实现承诺行动支柱精度预测健康和保健(GOV.UK 2006)。
数码电器和电子工程师首创自治模型以人为中心的目标,伦理和价值,缓解的隐私和安全风险(IEEE推进人类的技术,2017年)。工作好是什么样子的坐标系来描述数字原理ICS安排支持成功并交付人口管理成熟度评估级别通过健康记录(NHS, 2021 c)。
主要步骤过渡到分析规范在民众健康数字基因组学发展卫生保健系统考试建立在安全互操作流安全个性化健康(图4)。模型本体和医院发展计划为微软医疗和基因组实验室信息系统(微软行业,2015;数字健康,2021)。
个性化的公共卫生需要集成的研究创新与道德“适当的和负责任的政府数据使用和更广泛的公共部门”(政府电子服务,2020年)。适当的公共政策项目预测基因革命和计划数字健康数据研究和尊重人,遗传团结和利他主义(公共政策项目公共政策研究所,2021)。
步骤3。安全互操作流
NHSE转换理事会监督数字战略和政策与项目安全技术委员会和开放标准来满足民众需求公共卫生平台(数字健康,2021 b;NHS的数字,2022年)。系统支持框架支持民众健康保健与网络分析供应商集成范围限于临床服务(2022年英国国民健康保险制度)。
NHSE数字的目的是加快合作伙伴工作有效的资源利用,空间虚拟的病房,数字化和技能(2022年英国国民健康保险制度)。互操作进入个性化健康安全流API和FHIR使民众幸福(Alterovitz et al ., 2020),如移动应用评价、教育和数字的处方更好的健康意识拉根et al ., 2020)。
全国e-health记录使民众健康管理系统数据从多个设置链接,使生物本体工作流(木头et al ., 2021)。数据挖掘记录可以更好的应用于临床护理研究,cardiocoagulum学习遗传表型数据取决于安全互操作流(詹森et al ., 2012;赵et al ., 2019)。
NHSE转换理事会监督安全“WannaCry”危机,一醒来cyber-service基本框架过程评估和响应警报在工具包(Hoeksma 2017;NHS的数字,2022 b)。DCB标准出具NHSE转换理事会要求IT系统制造商和医疗组织进行产品的风险评估,以确定接受(NHS的数字,2022 c)。
数字技术评估标准安全互操作流灌输提供者和社区相信访问、可用性、互操作性和技术安全满足保证(NHSE转换指挥部,2021年)。数据保护和临床安全流程要求签署评估过程在过渡到安全的民众福祉,分项(表5)。
表5。数据保护和临床安全性。
步骤4。安全的民众健康
社会寻求解释存在意义和描述发病率为临床相关评论整合gip洞察管理民众的健康。大数据分析的挑战为民众健康安全提供生物价值,社会行为,与描述性和经济学,预测精度,和说明性的兴趣点,所以映射(图5)。
图5。工作流的价值观。
因果描述性的关键现实主义者用考试来呈现一个病理学或解释不良结果通知在表型变异或决策偏差(福克斯和Aranko, 2017年)。建筑考试从gip描述性数据预测的临床意义,发病率或死亡率可以资源预测事件需要数据挖掘前电子健康记录(Tomašev et al ., 2021)。
质量决定从病理结果,输入清洁“考试”数据标准管理诊断,gip特性在人工智能生物“考试”,用例个性化健康(2017年国际标准化组织(ISO);第一次就做对,2021年;ISO /迪15189(互联网),2022年]。在地方后专家构建的人工智能模拟健康功效或医院的效率,其中数据科学家验证考试委员会和授权卓越健康提供者采用集成系统(ISO /迪15189(互联网),2022年;NHS, 2022 b]。
人工智能实验室考试预测病理个性化拦截在模型评估过程的有效性的未来医疗(巴克,2017;de本田et al ., 2022)。预测健康的发展限制的数量和准确性gip数据作为分析试验模式静脉血栓栓塞的关联预测结果,如心房纤颤多基因风险得分;单基因变量(亚伯拉罕et al ., 2021)),临床风险(奥沙利文et al ., 2021和生活方式的选择你们et al ., 2021)。
精度方面提供预审价值拦截的数据挖掘gip信息学拥抱多基因单独定义或洞察力表型与精确预测搜索一个介入的选择(亚伯拉罕et al ., 2021);奥沙利文et al ., 2021;你们et al ., 2021),如考试标准。例如,静脉血栓栓塞的预测能力可以精确拦截类似的药物,生活方式的选择和入侵过程,如心房纤颤消融(Burstein et al ., 2017;梅et al ., 2019;Kolin et al ., 2021;元et al ., 2021)。
第5步。医疗系统模型
模型管理疾病预测或商业机会和发展基因云计算和人工智能实验室系统操作(图一)。随着人类寿命的延长与疾病社会处理卫生系统分裂策略执行模型(GOV.UK, 2019 b,2021年,一个,b;基因组学和全球联盟健康,2021;好,2021;NHS, 2022 b)。从而系统质量组和当地需求质量组的参考决策抽象本体和医院收益与合作伙伴共享系统的见解,预测健康和精密护理(国家质量委员会,2022年)。
联合数据集允许数码解决方案抽象结果准确和鲁棒统计卫生系统模型(雷基et al ., 2020)。人口健康管理提高医疗质量和降低成本的增长模型本体和医院(贝里克et al ., 2018)。医学临床术语的系统化的命名法提供了一个词汇规范e-informatics交流中本体预测和精确实现护理。模型与社会关怀医院计划降低负担与商业智能支持snom) (NHS的数字,2018)。
学习社区扩大生物医学gip的空间维度改善健康和社会制度挑战联邦模型提供一个理性的社会经济成功(本体和医院检查解决方案山,1984;徐et al ., 2020)。描述性预测存储库添加后检查拦截数据回使神经网络传播模型和命令控制认知分析(轩尼诗et al ., 2015;惠廷顿Bogacz, 2019)。
步骤6。不确定的改进
数据管理员、工程师和分析师摄取,过程,想象更好的健康和社会保健同时数字化改进成为一个法律要求的ICS组织许可操作(梳理,2022)。管理个性化护理,那么六十一年的,对齐,评价,评估,保证,审核和授权医疗检查。员工医疗保健管理背景国家改进工作流bot执行区域安全卫生和社会保健交付在本地(图6)。
图6。工作流管理。
卫生研究机关行动健康与社会保健与组合评估首先要让人无限改进与gip工作流数据库(NHS卫生研究机构,2021年;NHS, 2022 c)。学术健康科学网络评估社区和卫生提供者需要人工智能实验室的发展,类似的心房纤颤的项目,和社区药店支持cardiocoagulum建议(唯有通过网络,2020年;特纳et al ., 2020)。
建议在弗朗西斯,帕特森和卡特报告解释,部分的近似11 K每年死于病人安全事件(下议院,2013年,2020年;霍根et al ., 2015;卫生部,2016)。以确保我们未来的健康和减少选择性等候名单,本体和医院考试积累描述性的预测数据精度和规定的幸福靠近患者(我们未来的健康,2021;第一次就做对,2022年)。
医疗保健和产品监督管理机构审核临床试验进行,同时护理质量委员会重新关注审计信息和更少的现场检查(钦et al ., 2021;护理质量委员会,2022年)。数据联盟伙伴关系委员会使数据收集在记录管理守则审计组织萎缩,成年人社会医疗和公共卫生标准数据迁移(NHS, 2021 d;NHS的数字,2022 d)。
认证工作流程一工作流程考试起源于2014年的质量报告(2017年亨利,)。内部和外部共享国家质量政策行动,定性和定量的函数(Burstein et al ., 2017;国家质量委员会,2022 b)。国家健康和临床研究所和英国健康教育发展标准和AI课程培训(好,2021;英国国民健康保险制度健康教育,2022年)。国际标准使治理的数据用例与考试过程控制和风险管理安全的人工智能系统,人性化实践(2017年国际标准化组织(ISO),2018 b;ISO 2022;UKAS 2022]。
采取集体6 's-align、评价、评估、审核和授权保证——个性化护理作为一个证据单元作为系统员工演示了一个公民为中心的影响。临床医生和公众之间通过共享决策同时利用智能抽象在未来健康提供更大的价值与现实的期望和精度预测健康和保健治疗的选择提供更合适的健康干预2。
总结
将医院与社会关怀需要个性化的端到端结构智能考试支持决策。监督系统质量组织嵌入一个积极的文化与背景透明的抽象的解释和说明工作流程。这种支持劳动力带来信心,计划和执行数据功能上游那个地方个人使用情况下一工作流程。
数字卫生实验室为社区工作与利益相关者和伙伴合作,加快人口健康管理个性化护理。高级项目管理对公共安全的承诺发展有效的卫生保健系统的计划,加快数字考试幸福,不管访问的地方。
个性化护理组织与集成organizational-wide功能要求技术规模民众健康与知识积累和敏捷服务的最佳实践分析。卫生服务治理目标程序有利于个性化,与团队合作长期计划执行创新,数字,数据和卓越支柱基因组承诺更好的未来的健康。
第一次正确个性化护理需要信息化弹性及编码的脚本,以公民为中心的地方。在未来健康、人口健康管理提高公共结果和影响工作效率。企业项目经理行动计划模型本体与医院和工作流功能,使从业者评审确认有效性和效率在全国范围内,区域和局部。
战略发展与分析运营商业智能在我们未来的健康。它与社会关怀联系医院确定社会经济负担和提供个性化的保健组监督个性化的健康和保健计划的解决方案。与NHSE董事变更控制的决心,个性化护理组和涉众的支持健康产业控制,证据的情况下。
结论
全球分配的精度预测健康和保健健康信息学决心。国家挑战提出的合作伙伴和供应商整合基因组保健需要深入了解智能工作流管理民众的健康。数字数据驱动非体力劳动输出支持个性化医疗决定出血或血栓事件。工作流将公民系统生物学惯例、医院的信任,和社区数字AI开发表型考试。
上游,工作场所和一工作流程的端到端解决方案功能基因组学、病理图像和数据,人工智能抽象开发更好的管理和临床手术决策,提高工作效率,提高健康状况。培养劳动力文摘算法与系统质量组关节,分享看法工作委员会和社区活动,阐明工作流在个性化的实践建议。
工作流步骤整合领导力计划卫生管理政策与见解的转换和改善操作考试的过程。步骤确保数字的数据流安全健康与安全的洞察力和观察医疗服务实践NHS复苏。文化智能工作流、结构、文化、和步骤提出了领导班子和提高国家机会,个性化的实践区域重点,和当地需求。调整组织、从业者、基因组和社会监督描述性的变化,预测精度,培养了详细的设计和规范的分析开始的人口健康管理。
作者的贡献
作者证实了这项工作的唯一贡献者和已批准出版。
的利益冲突
作者说,这项研究是在没有进行任何商业或金融关系可能被视为一个潜在的利益冲突。
出版商的注意
本文表达的所有索赔仅代表作者,不一定代表的附属组织,或出版商、编辑和审稿人。任何产品,可以评估在这篇文章中,或声称,可能是由其制造商,不保证或认可的出版商。
脚注
1。^健康和保健Bill-Parliamentary Bills-UK议会(互联网)。网上:https://bills.parliament.uk/bills/3022。
2。^14:00-17:00。国际标准化组织(2020)。
引用
亚伯拉罕,G。,Rutten-Jacobs, L., and Inouye, M. (2021). Risk prediction using polygenic risk scores for prevention of stroke and other cardiovascular diseases.中风52岁,2983 - 2991。doi: 10.1161 / STROKEAHA.120.032619
Aggarwal, R。,Sounderajah, V., Martin, G., Ting, D. S. W., Karthikesalingam, A., King, D., et al. (2021). Diagnostic accuracy of deep learning in medical imaging: a systematic review and meta-analysis.NPJ数字。地中海。4:65。doi: 10.1038 / s41746 - 021 - 00438 - z
艾哈迈德,m . U。、Barua年代。,and Begum, S. (2020). “Artificial intelligence, machine learning and reasoning in health informatics—an overview,” in智能系统参考图书馆,171 - 92。网上:https://link.springer.com/chapter/10.1007/978 - 3 - 030 - 54932 - 9 _7(引用4月29日,2022)。
Alterovitz G。,Heale B。琼斯,J。Kreda D。林,F。刘,L。,et al. (2020). FHIR Genomics: enabling standardization for precision medicine use cases.NPJ染色体组。地中海。前五。doi: 10.1038 / s41525 - 020 - 0115 - 6
Annabi, N。,Baker, M., Boettiger, A., Chakraborty, D., Chen, Y., Corbett, K. S., et al. (2021). Voices of biotech research.生物科技Nat。》。39岁,281 - 286。doi: 10.1038 / s41587 - 021 - 00847 - 1
阿伦森,美国J。,and Rehm, H. L. (2015). Building the foundation for genomics in precision medicine.自然526年,336 - 342。doi: 10.1038 / nature15816
贝茨,d . W。莱文,D。,Syrowatka,。,Kuznetsova, M., Craig, K. J. T., Rui, A., et al. (2021). The potential of artificial intelligence to improve patient safety: a scoping review.NPJ数字。地中海。4:54。doi: 10.1038 / s41746 - 021 - 00423 - 6
伯威克,d . M。诺兰,t·W。,and Whittington, J. (2018). The triple aim: care, health, and cost.卫生事务27日,759 - 769。doi: 10.1377 / hlthaff.27.3.759
伯麦,C。,Hannay, E., and Pai, M. (2021). Promoting diagnostics as a global good.Nat,地中海。27日,367 - 368。doi: 10.1038 / s41591 - 020 - 01215 - 3
Burstein B。,Barbosa, R. S., Kalfon, E., Joza, J., Bernier, M., and Essebag, V. (2017). Venous thrombosis after electrophysiology procedures.胸部152年,574 - 586。doi: 10.1016 / j.chest.2017.05.040
梳理:(2022)。政府计划新“监管手段”,迫使NHS的数字速度吸收[网络]。卫生服务杂志。网上:https://www.hsj.co.uk/technology-and-innovation/government-plans-new-regulatory-levers-to-force-pace-of-nhss-digital-uptake/7032714.article2022年7月1日(引用)。
护理质量委员会(2022)。回应我们的咨询:变化更加灵活和响应更快速的调节(互联网)。护理质量委员会。网上:https://apo.org.au/node/3136442022年7月1日(引用)。
陈,r . J。陆,m . Y。,Chen, T. Y., Williamson, D. F. K., and Mahmood, F. (2021). Synthetic data in machine learning for medicine and healthcare.Nat,生物医学。Eng。5,493 - 497。doi: 10.1038 / s41551 - 021 - 00751 - 8
Ciancarini, P。,Missiroli, M., Poggi, F., and Russo, D. (2020).一个开源环境一个敏捷开发模型。联合会先进的信息和通信技术(互联网),148 - 62。网上:https://link.springer.com/chapter/10.1007/978 - 3 - 030 - 47240 - 5 _15 # citeas
本田,a . a . H。,Leeuwenberg, A. M., Hooft, L., Kant, I. M. J., Nijman, S. W. J., van Os, H. J. A., et al. (2022). Guidelines and quality criteria for artificial intelligence-based prediction models in healthcare: a scoping review.NPJ数字。地中海。5,1-13。doi: 10.1038 / s41746 - 021 - 00549 - 7
德弗里斯,J·J。,Snoek, C. J. M., Rijken, D. C., and de Maat, M. P. M. (2020). Effects of post-translational modifications of fibrinogen on clot formation, clot structure, and fibrinolysis.Arterioscl。Thromb。Vasc。医学杂志。40岁,554 - 569。doi: 10.1161 / ATVBAHA.119.313626
卫生部(2016)。英国NHS急性医院运营效率和性能:毫无根据的差异[网络]。卫生部。网上:https://assets.publishing.service.gov.uk/government/uploads/system/uploads/attachment_data/file/499229/Operational_productivity_A.pdf(引用2022年5月26日)。
卫生社会保障(2018)。医疗的未来:我们的愿景为数字、数据和技术在医疗和护理(互联网)。GOV.UK。网上:https://www.gov.uk/government/publications/the-future-of-healthcare-our-vision-for-digital-data-and-technology-in-health-and-care/the-future-of-healthcare-our-vision-for-digital-data-and-technology-in-health-and-care
卫生社会保障公共卫生英格兰(2020)。VCSE卫生和福利联盟2021 - 24包VCSE组织(互联网)的信息。英国健康与社会保健部门公共卫生。网上:https://assets.publishing.service.gov.uk/government/uploads/system/uploads/attachment_data/file/921737/HW_Alliance_pack_final_CLEAN_FINAL.pdf(引用4月24日,2022)。
数字医疗(2021)。在英国CliniSys基因组实验室发射系统。数字医疗网上:https://www.digitalhealth.net/2021/01/clinisys-launches-system-for-genomic-laboratories-in-the-uk/(引用2022年6月26日)。
数字医疗(2021 b)。NHS数字和NHSX合并与英国国民健康保险制度(互联网)。数字医疗。网上:https://www.digitalhealth.net/2021/11/nhs-digital-nhsx-merge-nhs-england/(引用2022年6月26日)。
费雷拉,J·J。,and Monteiro, M. S. (2020). “What are people doing about XAI user experience? A survey on ai explainability research and practice,” in当代设计、用户体验和可用性设计交互式环境。HCII 2020(计算机科学课堂讲稿),卷》12201eds a·马库斯和大肠Rosenzweig (Cham Springer): 56 - 73。doi: 10.1007 / 978 - 3 - 030 - 49760 - 6 _4
•弗雷M。,and Hutter, F. (2019). Hyperparameter optimization.奥特曼。马赫。学习。3-33。doi: 10.1007 / 978 - 3 - 030 - 05318 - 5 _1
Fogel a L。,and Kvedar, J. C. (2018). Artificial intelligence powers digital medicine.NPJ数字。地中海。1:5。doi: 10.1038 / s41746 - 017 - 0012 - 2
福克斯,S。,and Aranko, O. (2017). Healthcare framing: critical realist framing for causal interdependencies and uncertainties within healthcare.抛光工艺。Soc。50岁,66 - 72。doi: 10.1016 / j.techsoc.2017.05.001
英国(2020)基因组。未来的医疗保健(互联网)。网上:https://assets.publishing.service.gov.uk/government/uploads/system/uploads/attachment_data/file/920378/Genome_UK_-_the_future_of_healthcare.pdf
第一次就做对(2021)。病理学GIRFT项目国家专业报告(互联网)。网上:https://www.rcpath.org/uploads/assets/171f0ed0 ec20 - 4 - c93 b399d8518ee55641/pathology girft -计划-国家-专业- - 9月- 2021. - pdf报告(引用2022年5月19日)。
第一次就做对(2022)。高容量低复杂度(HVLC)项目(互联网)。把它正确的第一次——GIRFT。网上:https://www.gettingitrightfirsttime.co.uk/hvlc/(引用2022年5月19日)。
全球联盟对基因组学的健康(2021)。基因和健康:2021年全球联盟政策临床可行的基因组研究成果(互联网)。网上:https://www.ga4gh.org/wp-content/uploads/2021-Policy-on-Clinically-Actionable-Genomic-Research-Results.pdf(引用2022年5月16日)。
GOV.UK (2006)。绿色的书(2022)[网络]。GOV.UK。可用oniline:https://www.gov.uk/government/publications/the -绿色-书-评估-和-评估- -中央governent/the -绿色-书- 2020 # a2-place-based-analysis(引用2022年5月13日)。
GOV.UK (2019)。NHS长期计划推出[网络]。新闻故事。网上:https://www.gov.uk/government/news/nhs-long-term-plan-launched(引用6月7日,2022)。
GOV.UK (2019 b)。国家数据战略(互联网)。GOV.UK。网上:https://www.gov.uk/guidance/national-data-strategy(引用2021年9月16日)。
Gov.UK (2020)。选择评价方法:评估数字健康产品(互联网)。GOV.UK。网上:https://www.gov.uk/guidance/choose-evaluation-methods-evaluating-digital-health-products approaches-that-cut-across-categories(引用2022年4月25日)。
GOV.UK (2021)。国家人工智能策略——HTML版本(互联网)。GOV.UK。网上:https://www.gov.uk/government/publications/national-ai-strategy/national-ai-strategy-html-version
GOV.UK (2021 b)。英国创新战略领先的未来通过创建它(互联网)。网上:https://assets.publishing.service.gov.uk/government/uploads/system/uploads/attachment_data/file/1009577/uk-innovation-strategy.pdf(引用2022年5月13日)。
GOV.UK (2021 c)。技术行为守则(互联网)。网上:https://www.gov.uk/guidance/the-technology-code-of-practice define-your-purchasingstrategy(引用2022年5月17日)。
GOV.UK (2021 d)。新的英国卫生安全机构领导应对未来的健康威胁(互联网)。GOV.UK。网上:https://www.gov.uk/government/news/new-uk-health-security-agency-to-lead-response-to-future-health-threats(引用4月7日,2021)。
政府电子服务(2020)。数据伦理框架(互联网)。网上:https://assets.publishing.service.gov.uk/government/uploads/system/uploads/attachment_data/file/923108/Data_Ethics_Framework_2020.pdf: ~:文本= % 20数据% 20伦理% 20框架% 20适当指导% 20 % 20和% 20负责,和% 20鼓励% 20负责% 20 innovation. % 20 % 20是谁% 20 % 3 f % 20(引用2022年6月26日)。
难的,T。,Horton, T., and Warburton, W. (2021). Switched On: How Do We Get the Best Out of Automation and AI in Health Care? Available online at:https://www.health.org.uk/sites/default/files/upload/publications/2021/SwitchedOn_WEB.pdf(引用2022年3月31日)。
医疗安全调查分支(2021)。医疗安全调查部门。网上:https://www.hsib.org.uk/
轩尼诗,d . A。,Flanagan, W. M., Tanuseputro, P., Bennett, C., Tuna, M., Kopec, J., et al. (2015). The Population Health Model (POHEM): an overview of rationale, methods and applications.Popul。健康指标。十三24。doi: 10.1186 / s12963 - 015 - 0057 - x
亨利,j . a (2019)。个性化和再生医学需要Coagulum-OMICs模型[摘要]。Anesth。Analg。2471 - 8084 . doi: 10.21767 / - c1 - 023
山,p (1984)。学习社区和学习社区模型的基本原理(互联网)。网上:https://files.eric.ed.gov/fulltext/ED309818.pdf(引用2022年6月29日)。
霍根,H。,Zipfel, R., Neuburger, J., Hutchings, A., Darzi, A., and Black, N. (2015). Avoidability of hospital deaths and association with hospital-wide mortality ratios: retrospective case record review and regression analysis.BMJ351:h3239。doi: 10.1136 / bmj.h3239
下议院(2013)。斯塔福德郡NHS信托基金会的报告公开调查(网络)。网上:https://assets.publishing.service.gov.uk/government/uploads/system/uploads/attachment_data/file/279124/0947.pdf
下议院(2020)。的独立调查报告提出的问题帕特森(互联网)。网上:https://assets.publishing.service.gov.uk/government/uploads/system/uploads/attachment_data/file/863211/issues-raised-by-paterson-independent-inquiry-report-web-accessible.pdf(引用2022年5月26日)。
IEEE推进技术为人类(2017)。优先考虑人类福祉的愿景与自治和智能系统(网络)。12月(引用2022年6月26日)。可以从:视力https://www.bing.com/search?q=when +是+ + + + +优先+人+福利+ +自主+和+智慧+系统+ publishedandform ad67d961f2448418b7f629279d4b32d = ANNTH1andrefig = 2
国际标准化组织(2020)。ISO 22367:2020医学实验室-风险管理应用于医学实验室。ISO。网上:https://www.iso.org/standard/71254.html
国际标准化组织(ISO) (2012)。医学实验室质量要求和能力(互联网)。(引用2022年5月17日)。可以从:https://www.iso.org/standard/56115.html
国际标准化组织(ISO) (2017)。ISO / IEC JTC 1 / SC 42 -人工智能(网络)。ISO。(引用2022年5月23日)。可以从:https://www.iso.org/committee/6794475.html
国际标准化组织(ISO) (2018)。ISO 9004:2018。ISO。(引用2022年4月24日)。可以从:https://www.iso.org/standard/70397.html
国际标准化组织(ISO) (2018 b)。ISO 13485:2016[网络]。ISO。2018(引用2022年4月16日)。可以从:https://www.iso.org/standard/59752.html
ISO (2022)。ISO 9001:2015(互联网)。ISO。网上:https://www.iso.org/standard/62085.html(引用2022年8月13日)。
ISO /迪15189[网络](2022)。genorma.com。网上:https://genorma.com/en/project/show/iso项目:76677 #:~:文本= ISO % 2 fdi % 2015189 % 20医学% 20实验室e2 % % 20% 80% - 94% % 20质量% 20 20需求(引用2022年6月28日)。
詹森,p . B。,Jensen, L. J., and Brunak, S. (2012). Mining electronic health records: towards better research applications and clinical care.Nat,启麝猫。13日,395 - 405。doi: 10.1038 / nrg3208
Jobin,。,Ienca, M., and Vayena, E. (2019). The global landscape of AI ethics guidelines.Nat,马赫。智能。1,389 - 399。doi: 10.1038 / s42256 - 019 - 0088 - 2
坎特,j . M。,and Veeramachaneni, K. (2015). “Deep feature synthesis: towards automating data science endeavors,” inIEEE国际会议数据科学和先进的分析方法(DSAA)(互联网)(巴黎)。doi: 10.1109 / DSAA.2015.7344858
钦:A。,Grandinetti, C., Dixey, H., Yu, B., Skeete, R., Ayalew, K., et al. (2021). Tackling challenging data integrity topics in 2020: update on good clinical practice perspectives from the US FDA and MHRA UK.中国。杂志。Therap。112年,31-43。doi: 10.1002 / cpt.2386
Kimmelman, J。,and Tannock, I. (2018). The paradox of precision medicine.Nat,启中国。肿瘤防治杂志。15日,341 - 342。doi: 10.1038 / s41571 - 018 - 0016 - 0
,d。、Kulm年代。,and Elemento, O. (2021). Prediction of primary venous thromboembolism based on clinical and genetic factors within the U.K. Biobank.科学。代表。11:21340。doi: 10.1038 / s41598 - 021 - 00796 - 4
拉根,S。,Aquino, P., Emerson, M. R., Fortuna, K., Walker, R., and Torous, J. (2020). Actionable health app evaluation: translating expert frameworks into objective metrics.NPJ数字。地中海。3:100。doi: 10.1038 / s41746 - 020 - 00312 - 4
拉尔森,S。,and Heintz, F. (2020). Transparency in artificial intelligence.实习生。政策的牧师。9。doi: 10.14763 / 2020.2.1469
LeCun (Y。,Bengio, Y., and Hinton, G. (2015). Deep learning.自然521年,436 - 444。doi: 10.1038 / nature14539
李,r . C。,Asch, S. M., and Shah, N. H. (2020). Developing a delivery science for artificial intelligence in healthcare.NPJ数字。地中海。3:107。doi: 10.1038 / s41746 - 020 - 00318 - y
陆,H。,and Uddin, S. (2021). A weighted patient network-based framework for predicting chronic diseases using graph neural networks.科学。代表。11:22607。doi: 10.1038 / s41598 - 021 - 01964 - 2
Luengo-Oroz, M。,Hoffmann Pham, K., Bullock, J., Kirkpatrick, R., Luccioni, A., Rubel, S., et al. (2020). Artificial intelligence cooperation to support the global response to COVID-19.Nat,马赫。智能。2,295 - 297。doi: 10.1038 / s42256 - 020 - 0184 - 3
马奎尔,D。,Honeyman, M., Fenney, D., and Jabbal, J. (2021).塑造未来的数字技术在健康和社会保健(互联网)。网上:https://www.kingsfund.org.uk/sites/default/files/2021-04/Shaping%20the%20future%20of%20digital%20technology%20in%20health%20and%20social%20care.pdf(citedApril 24, 2022)。
梅,V。,Guay C-, Perreault, L., Bonnet, S., Bertoletti, L., Lacasse, Y., et al. (2019). Extended Anticoagulation for VTE.胸部155年,1199 - 1216。doi: 10.1016 / j.chest.2019.02.402
Margetts, H。,and Dorobantu, C. (2019). Rethink government with AI.自然568年,163 - 165。doi: 10.1038 / d41586 - 019 - 01099 - 5
微软行业(2015)。英国国民健康保险制度的创新:移动到云(互联网)。微软行业。网上:https://cloud雷竞技公司blogs.microsoft.com/industry-blog/en-gb/government/2016/08/05/innovation-nhs/: ~:文本= NHS % 20选择% 20选择% 20微软% 20 azure % 20 % 20提供% 20,可能% 20没有% 20 % 20弹性% 20规模% 20 % 20云% 20服务(引用2022年6月26日)。
国家质量委员会(2022)。国家指导系统质量组。网上:https://www.england.nhs.uk/wp-content/uploads/2022/01/B0894-nqb-guidance-on-system-quality-groups.pdf2022年7月1日(引用)。
国家质量委员会(2022 b)。国家质量委员会的立场声明:通过综合保健系统管理风险和提高质量高品质、个性化和公平照顾所有领导有方的经验(响应和关怀)[网络]。国家质量委员会。网上:https://www.england.nhs.uk/wp-content/uploads/2021/04/nqb-position-statement.pdf(2022年5月23日援引)。
NHS (2021)。国民保健服务标准(互联网)。国民健康保险制度。网上:https://service-manual.nhs.uk/standards-and-technology/service-standard(引用2022年6月26日)。
NHS (2021 b)。2022/23的重点和业务规划指导(互联网)。国民健康保险制度。网上:https://www.england.nhs.uk/wp - content/uploads/2022/02/20211223 b1160 - 2022 - 23 -优先-和-操作-计划-指导- v3.2.pdf(引用2022年5月16日)。
NHS (2021 c)。好是什么样子(互联网)的框架。国民健康保险制度。网上:https://www.nhsx.nhs.uk/digitise-connect-transform/what-good-looks-like/what-good-looks-like-publication/(引用2022年5月16日)。
NHS (2021 d)。记录管理守则2021(互联网)。国民健康保险制度。网上:https://www.nhsx.nhs.uk/information-governance/guidance/records-management-code/records-management-code-of-practice-2021/: ~:文本= % 20记录% 20管理% 20代码% 20 % 20实践% 20 % 20卫生或% 20 % 20合同% 20 % 2 c % 20 % 20 nhs % 20在英格兰% 20(引用2022年5月29日)。
NHS (2022)。多家咨询服务(MAAS)(互联网)。NHS转换理事会。网上:https://transform.england.nhs.uk/ai-lab/ai-lab-programmes/regulating-the-ai-ecosystem/the-multi-agency-advice-service-maas/(引用2022年11月4日)。
NHS (2022 b)。分类:官方出版物批准参考:PAR642综合保健系统:设计框架(互联网)。国民健康保险制度。网上:https://www.england.nhs.uk/wp - content/uploads/2021/06/b0642 ics -设计-框架- 6月- 2021. - pdf
NHS (2022 c)。主页,以人为本(互联网)。卫生研究权威。网上:https://www.hra.nhs.uk/(引用2022年5月14日)。
NHS数码(2018)。snom CT - NHS数字(网络)。NHS的数字。网上:https://digital.nhs.uk/services/terminology-and-classifications/snomed-ct(引用2022年5月15日)。
NHS数码(2022)。脊柱期货(互联网)。NHS的数字。网上:https://digital.nhs.uk/services/spine/spine-futures(引用2022年6月26日)。
NHS数字(2022 b)。新闻(网络)。网上:https://www.dsptoolkit.nhs.uk/news/2021 - 2022标准
NHS数字(2022 c)。适用性的DCB 0129年和0160年DCB[网络]。NHS的数字。网上:https://digital.nhs.uk/services/clinical - safety/applicability - dcb - 0129和0160 - ?key= - dcb(引用2022年6月26日)。
NHS数字(2022 d)。数据联盟伙伴关系委员会(互联网)。网上:https://digital.nhs.uk/data-and-information/information-standards/information-standards-and-data-collections-including-extractions/data-alliance-partnership-board(引用2022年5月17日)。
英国国民健康保险制度(2020)。我们是NHS:人们行动计划2020/21——我们所有人(互联网)。英国国民健康保险制度。网上:https://www.england.nhs.uk/wp——content/uploads/2020/07/we - - nhs -行动- - - - - - - -的-我们-最终3 - 21. - pdf
英国国民健康保险制度(2020 b)。承诺(互联网)。英国国民健康保险制度。网上:https://www.england.nhs.uk/ournhspeople/online-version/lfaop/our-nhs-people-promise/the-promise/(引用2022年4月25日)。
英国国民健康保险制度(2022)。关于卫生系统框架(互联网)的支持。英国国民健康保险制度。网上:https://www.england.nhs.uk/hssf/background/(引用2022年6月26日)。
英国国民健康保险制度健康教育(2022)。数字、人工智能和机器人技术在教育(DART-Ed)[网络]。英国国民健康保险制度的健康教育。网上:https://digital-transformation.hee.nhs.uk/building-a-digital-workforce/dart-ed(引用2022年5月17日)。
NHS卫生研究机构(2021)。商业计划2021 - 2022(互联网)。卫生研究权威。网上:https://www.hra.nhs.uk/about us/what -我们- do/business plan/business -计划- 2021 2022/ # businessplan
NHS (2020)。我们的未来健康(互联网)。网上:https://ourfuturehealth.org.uk/
NHSE转换理事会(2021)。数字技术评估标准(铵)[网络]。NHSX。网上:https://www.nhsx.nhs.uk/key-tools-and-info/digital-technology-assessment-criteria-dtac/(引用2022年6月26日)。
漂亮的(2021)。好的策略2021 - 2026 |公司出版物|我们是谁|(互联网)。不错的。网上:https://www.nice.org.uk/about/who -我们- are/corporate publications/the -战略- 2021 - 2026(引用2022年5月13日)。
尼克尔森,w (2015)。黑盒药。哈佛j .法律抛光工艺。28日,420 - 467。网上:https://papers.ssrn.com/sol3/papers.cfm?abstract_id=2499885
奥尔迪,J。,and Hall, A. (2020).黑盒药和透明度可翻译的机器学习PHG威康信托基金会报告(互联网)。网上:https://phgfoundation.org/media/154/download/black-box-interpretable-machine-learning.pdf?v=1andinline=1(引用4月24日,2022)。
奥沙利文,j·W。Shcherbina,。,Justesen, J. M., Turakhia, M., Perez, M., Wand, H., et al. (2021). Combining clinical and polygenic risk improves stroke prediction among individuals with atrial fibrillation.循环14:e003168。doi: 10.1161 / CIRCGEN.120.003168
我们的未来健康(2021)。我们的未来健康(互联网)。我们未来的健康。网上:https://ourfuturehealth.org.uk/
Panch, T。,Mattie, H., and Celi, L. A. (2019). The “inconvenient truth” about AI in healthcare.NPJ数字。地中海。2:77。doi: 10.1038 / s41746 - 019 - 0155 - 4
病理质量保证审查[网络](2014)。网上:https://www.england.nhs.uk/wp-content/uploads/2014/01/path-qa-review.pdf
Prosperi, M。郭,Y。,Sperrin, M., Koopman, J. S., Min, J. S., He, X., et al. (2020). Causal inference and counterfactual prediction in machine learning for actionable healthcare.Nat,马赫。智能。2,369 - 375。doi: 10.1038 / s42256 - 020 - 0197 - y
英国公共卫生(2019)。好是什么样子的。英国公共卫生。网上:https://www.adph.org.uk/wp-content/uploads/2019/06/What-Good-Looks-Like-Programme-Summary.pdf(引用4月24日,2022)。
公共政策项目公共政策研究所(2021)。基因组学革命(互联网)。网上:https://publicpolicyprojects.com/wp-content/uploads/sites/6/2021/10/PPP-Genomics-Revolution-Report-FINAL.pdf(引用2022年5月16日)。
Rajkomar,。奥伦E。陈,K。,Dai, A. M., Hajaj, N., Hardt, M., et al. (2018). Scalable and accurate deep learning with electronic health records.NPJ数字。地中海。1:18)。doi: 10.1038 / s41746 - 018 - 0029 - 1
Renki,大肠(2020)。第1章:介绍|可翻译的机器学习方法的局限性(互联网)。网上:https://slds-lmu.github.io/iml_methods_limitations/introduction.html(引用2022年6月26日)。
里克,N。,Hancox, J., Li, W., Milletarì, F., Roth, H. R., Albarqouni, S., et al. (2020). The future of digital health with federated learning.NPJ数字。地中海。3、1 - 7。doi: 10.1038 / s41746 - 020 - 00323 - 1
Sanal, m·G。,保罗,K。,Kumar, S., and Ganguly, N. K. (2019). Artificial intelligence and deep learning: the future of medicine and medical practice.j . Assoc。理论物理。印度67年,71 - 73。
Schiano C。,Benincasa, G., Franzese, M., Della Mura, N., Pane, K., Salvatore, M., et al. (2020). Epigenetic-sensitive pathways in personalized therapy of major cardiovascular diseases.杂志。Therap。2020:107514。doi: 10.1016 / j.pharmthera.2020.107514
Shelmerdine, s . C。,阿瑟o . J。丹尼斯顿,。,and Sebire, N. J. (2021). Review of study reporting guidelines for clinical studies using artificial intelligence in healthcare.BMJ医疗告知。28:e100385。doi: 10.1136 / bmjhci - 2021 - 100385
Spatharou,。,Hieronimus, S., and Jenkins, J. (2020).改变医疗AI:对员工的影响和组织|麦肯锡(互联网)。网上:https://www.mckinsey.com/industries/healthcare-systems-and-services/our-insights/transforming-healthcare-with-ai(引用2022年6月26日)。
Syrowatka,。,Kuznetsova, M., Alsubai, A., Beckman, A. L., Bain, P. A., Craig, K. J. T., et al. (2021). Leveraging artificial intelligence for pandemic preparedness and response: a scoping review to identify key use cases.NPJ数字。地中海。4、1 - 14。doi: 10.1038 / s41746 - 021 - 00459 - 8
棕褐色,L。,Guo, J., Mohanarajah, S., and Zhou, K. (2020). Can we detect trends in natural disaster management with artificial intelligence? A review of modeling practices.Nat。危害107年,2389 - 2417。doi: 10.1007 / s11069 - 020 - 04429 - 3
唯有通过网络(2020)。国家项目和优先级(互联网)。AHSN网络。网上:https://www.ahsnnetwork.com/about-academic-health-science-networks/national-programmes-priorities2022年7月1日(引用)。
Tomašev, N。,Harris, N., Baur, S., Mottram, A., Glorot, X., Rae, J. W., et al. (2021). Use of deep learning to develop continuous-risk models for adverse event prediction from electronic health records.自然的协议。16,2765 - 2787。doi: 10.1038 / s41596 - 021 - 00513 - 5
Topol E。,and Lee, K.-F. (2019). It takes a planet.生物科技Nat。》。37岁,858 - 861。doi: 10.1038 / s41587 - 019 - 0214 - z
Trochet, H。,Pirinen, M., Band, G., Jostins, L., McVean, G., and Spencer, C. C. A. (2019). Bayesian meta-analysis across genome-wide association studies of diverse phenotypes.麝猫。论文。43岁,532 - 547。doi: 10.1002 / gepi.22202
特纳,r . M。,Newman, W. G., Bramon, E., McNamee, C. J., Wong, W. L., Misbah, S., et al. (2020). Pharmacogenomics in the UK National Health Service: opportunities and challenges.药物基因组学21日,1237 - 1246。doi: 10.2217 /后卫- 2020 - 0091
Uffelmann E。,Huang, Q. Q., Munung, N. S., de Vries, J., Okada, Y., Martin, A. R., et al. (2021). Genome-wide association studies.Nat。启引物的方法1:59。doi: 10.1038 / s43586 - 021 - 00056 - 9
英国生物产业项目(2020)。£3000万生物催化剂成功发射后BIA运动(互联网)。网上:https://www.bioindustry.org/news-listing/30-million-biomedical-catalyst-to-launch-following-successful-bia-campaign.html: ~:文本= % 20生物医学% 20催化剂% 20 % 20一直% 20 % 20个主要% 20活动,公司% 20 % 20构建% 20领先英国% 20生活% 20 % 20科学% 20家公司(引用2022年6月26日)。
UKAS (2022)。更新的UKAS证书ISO 15189 -医学实验室(互联网)。网上:https://www.ukas.com/resources/latest news/update - - ukas证书- iso - 15189 -医疗laboratories/(引用6月7日,2022)。
Vidgen m E。,Williamson, D., Cutler, K., McCafferty, C., Ward, R. L., McNeil, K., et al. (2021). Queensland Genomics: an adaptive approach for integrating genomics into a public healthcare system.NPJ染色体组。地中海。6:71。doi: 10.1038 / s41525 - 021 - 00234 - 4
Vidushi Agarwal, M。,and Rajoria, R. (2019). “Analysis of various classification methods,” in国际会议在智能计算技术的问题和挑战(ICICT)[网络]。doi: 10.1109 / ICICT46931.2019.8977688
惠廷顿,j·c·R。,and Bogacz, R. (2019). Theories of error back-propagation in the brain.Cogn趋势。科学。23日,235 - 250。doi: 10.1016 / j.tics.2018.12.005
Wiegand, T。,Krishnamurthy, R., Kuglitsch, M., Lee, N., Pujari, S., Salath,é, M., et al. (2019). WHO and ITU establish benchmarking process for artificial intelligence in health.《柳叶刀》394年,9 - 11。doi: 10.1016 / s0140 - 6736 (19) 30762 - 7
Wistuba, M。,Schilling, N., and Schmidt-Thieme, L. (2017). “Automatic frankensteining: creating complex ensembles autonomously,” in学报2017年暹罗国际会议数据挖掘(互联网),741 - 749。网上:https://www.researchgate.net/publication/317486108_Automatic_Frankensteining_Creating_Complex_Ensembles_Autonomously
木头,一个。,Denholm, R., Hollings, S., Cooper, J., Ip, S., Walker, V., et al. (2021). Linked electronic health records for research on a nationwide cohort of more than 54 million people in England: data resource.BMJ373:n826。doi: 10.1136 / bmj.n826
徐,F。,Uszkoreit, H., Du, Y., Fan, W., Zhao, D., and Zhu, J. (2019). “Explainable AI: a brief survey on history, research areas, approaches and challenges,” in自然语言处理和中国的计算(NLPCC) 2019(计算机科学课堂讲稿),卷》11839eds j . Tang m . y .菅直人d .赵s . Li和h攒(Cham: Springer), 563 - 574。doi: 10.1007 / 978 - 3 - 030 - 32236 - 6 _51
徐,J。,Glicksberg, B. S., Su, C., Walker, P., Bian, J., and Wang, F. (2020). Federated learning for healthcare informatics.j . Healthc。通知。Res。5,-。doi: 10.1007 / s41666 - 020 - 00082 - 4
你们,Y。,Chen, X., Han, J., Jiang, W., Natarajan, P., and Zhao, H. (2021). Interactions between enhanced polygenic risk scores and lifestyle for cardiovascular disease, diabetes, and lipid levels.循环14:e003128。doi: 10.1161 / CIRCGEN.120.003128
元,年代。,Bruzelius, M., Håkansson, N., Åkesson, A., and Larsson, S. C. (2021). Lifestyle factors and venous thromboembolism in two cohort studies.Thrombos。Res。202年,119 - 124。doi: 10.1016 / j.thromres.2021.03.024
关键词:人口、健康管理、人工智能
引用:亨利JA(2023)文化智能工作流、结构和步骤。前面。Artif。智能。6:985469。doi: 10.3389 / frai.2023.985469
收到:2022年7月3日;接受:2023年2月06;
发表:2023年2月28日。
编辑:
托马斯。哈约翰霍普金斯大学彭博公共卫生学院的,,美国版权©2023年亨利。这是一个开放分布式根据文章知识共享归属许可(CC)。使用、分发或复制在其他论坛是允许的,提供了原始作者(年代)和著作权人(s)认为,最初发表在这个期刊引用,按照公认的学术实践。没有使用、分发或复制是不符合这些条件的允许。
*通信:安德鲁·亨利·詹姆斯
james.henry19@outlook.com