{"id":391658,"date":"2024-12-16T00:01:00","date_gmt":"2024-12-15T23:01:00","guid":{"rendered":"https:\/\/medizinonline.com\/?p=391658"},"modified":"2024-12-06T16:56:47","modified_gmt":"2024-12-06T15:56:47","slug":"opportunita-e-rischi-dellia-5","status":"publish","type":"post","link":"https:\/\/medizinonline.com\/it\/opportunita-e-rischi-dellia-5\/","title":{"rendered":"Opportunit\u00e0 e rischi dell’IA"},"content":{"rendered":"\n

Il termine intelligenza artificiale risale agli anni Cinquanta. 20\u00b0 secolo e comprende un insieme di tecnologie che permettono a un computer di emulare le caratteristiche tipiche dell’intelligenza umana. Inizialmente, sono state riposte grandi speranze in queste tecnologie e sono stati fatti i primi tentativi di affermarle in medicina. All’inizio del Nel 21\u00b0 secolo, la ricerca sull’IA in medicina \u00e8 stata piuttosto silenziosa a causa dei risultati inizialmente sconfortanti. Tuttavia, diversi sviluppi importanti hanno spianato la strada alla svolta tecnologica.<\/strong><\/p>\n\n\n\n\n\n\n\n

\n\t
\n\t\t\n\n

Pu\u00f2 sostenere il test ECM nella nostra piattaforma di apprendimento dopo aver esaminato i materiali consigliati. Clicchi sul seguente pulsante:<\/p>\n\n\n\n

<\/div>\n\n\n\n
\n
Avviare il test ECM<\/a><\/div>\n<\/div>\n\n\t<\/div>\n\t<\/div>\n\n\n\n

Il termine intelligenza artificiale risale agli anni ’50 e comprende un insieme di tecnologie che consentono a un computer di emulare le caratteristiche tipiche dell’intelligenza umana [1]. Inizialmente, sono state riposte grandi speranze in queste tecnologie e sono stati fatti i primi tentativi di affermarle in medicina. Esempi degli anni ’70 sono i programmi per l’identificazione dei batteri nelle malattie infettive [2] o per la prognosi della malattia coronarica [3]. Una certa disillusione si \u00e8 verificata negli anni ’90: un editoriale [4] della famosa rivista New England Journal of Medicine<\/em> ha dato ai programmi di diagnosi assistita dal computer disponibili all’epoca un voto di “C”, che corrisponde all’incirca a un “3” nel sistema di classificazione svizzero. Questi programmi hanno prodotto una falsa diagnosi nel 30-50% dei casi, il che ha reso difficile il loro utilizzo e la loro accettazione in clinica. All’inizio del XXI secolo, la ricerca sull’intelligenza artificiale in medicina era piuttosto silenziosa a causa dei risultati inizialmente sconfortanti. Tuttavia, diversi sviluppi importanti hanno spianato la strada alla svolta tecnologica.<\/p>\n\n\n\n

Apprendimento profondo<\/h3>\n\n\n\n

Da un lato, c’\u00e8 stata una costante espansione dell’uso delle cartelle cliniche elettroniche. I computer hanno cos\u00ec avuto accesso a grandi serie di dati medici. La grande quantit\u00e0 di dati ha permesso di creare e sviluppare ulteriormente una nuova generazione di programmi di intelligenza artificiale. Questi programmi sono stati sviluppati negli anni 2010 e sono ora riassunti sotto il termine Deep Learning <\/em>. Si tratta di algoritmi basati su reti neurali artificiali che possono riconoscere modelli in grandi quantit\u00e0 di dati con un’elevata precisione. In modo notevole – e con grande importanza per la medicina – questi programmi hanno una straordinaria capacit\u00e0 di riconoscere le strutture nelle immagini [5]. Nel confronto diretto con gli spettatori umani, \u00e8 stato dimostrato che i computer hanno prestazioni di gran lunga superiori nel riconoscimento dei modelli nelle immagini, inferiori al tasso di errore umano del 5% [6]. Un gruppo di ricerca dell’Universit\u00e0 di Stanford in California ha applicato la tecnologia Deep Learning <\/em>al campo della dermatologia nel 2017. In un documento innovativo, \u00e8 stato dimostrato che i computer sono alla pari con i dermatologi nel rilevamento delle lesioni cutanee maligne [6]. Da questa pubblicazione di quattro anni fa, c’\u00e8 stata una proliferazione di nuovi articoli che riportano risultati simili in un’ampia gamma di campi diagnostici (ad esempio, in patologia o radiologia [7\u201310]). Parallelamente al riconoscimento delle immagini – e con un significato altrettanto importante per la medicina – negli ultimi anni la tecnologia di deep learning<\/em>ha portato a dei progressi nel riconoscimento vocale [11]. Ci\u00f2 significa che i computer sono sempre pi\u00f9 in grado di comprendere e analizzare i dati medici scritti in linguaggio naturale (rapporti di dimissione, rapporti diagnostici, ecc.) o addirittura di scrivere essi stessi dei testi [12]. In sintesi, si pu\u00f2 dire quanto segue: Grazie alle cartelle cliniche elettroniche, il computer ha un accesso pi\u00f9 ampio ai dati medici che sono ancora prevalentemente in forma non strutturata (immagini o testo). Una tecnologia (Deep Learning)<\/em> \u00e8 in grado di elaborare efficacemente questi dati non strutturati ed \u00e8 quindi in grado di emulare sempre di pi\u00f9 le attivit\u00e0 mediche (diagnosi, decisione terapeutica o stesura di un rapporto di uscita).<\/p>\n\n\n\n

In quale misura e in quale arco di tempo queste nuove tecnologie influenzeranno la medicina rimane una questione aperta. Nella prossima sezione, esploreremo queste domande e presteremo particolare attenzione alle opportunit\u00e0 e ai rischi dell’intelligenza artificiale nella pratica medica quotidiana (Tab. 1)<\/span>.<\/strong><\/p>\n\n\n

\n
\"\"<\/a><\/figure>\n<\/div>\n\n\n

Uso dell’IA nella pratica clinica quotidiana: concorrenza per il medico?<\/h2>\n\n\n\n

Attualmente c’\u00e8 un interesse crescente nell’utilizzo dell’intelligenza artificiale (AI) per integrare, migliorare o addirittura sostituire l’intelligenza diagnostica del medico. I sostenitori dell’IA prevedono che tali tecnologie possano migliorare l’efficienza diagnostica e l’accuratezza diagnostica (con meno sottodiagnosi e sovradiagnosi) [13].<\/p>\n\n\n\n

Tuttavia, altri hanno sostenuto che questo creer\u00e0 un ulteriore onere informativo durante un’ora di consultazione gi\u00e0 sovraccarica. Potrebbe fare ben poco per migliorare i risultati dei pazienti, i livelli di stress dei medici generici o la posizione finanziaria del servizio sanitario. Queste argomentazioni si basano talvolta sull’esperienza dei sistemi esistenti che supportano i medici in attivit\u00e0 come il rilevamento delle interazioni farmacologiche e che spesso non convincono a causa di falsi allarmi o interventi non pertinenti [14].<\/p>\n\n\n\n

Con una nuova generazione di sistemi AI, tuttavia, si pu\u00f2 prevedere che questi si affermeranno nella pratica clinica quotidiana nel lungo termine. Il motivo risiede principalmente nella capacit\u00e0 di questi sistemi di studiare un numero illimitato di casi e quindi di perfezionare un algoritmo diagnostico. Un radiologo, ad esempio, ha accesso a un numero elevato ma poi limitato di immagini radiologiche durante la sua formazione e anche la sua attivit\u00e0 professionale, che pu\u00f2 utilizzare per affinare le sue capacit\u00e0 diagnostiche. Al contrario, i computer hanno accesso potenzialmente a tutte le immagini radiologiche mai acquisite in uno o pi\u00f9 ospedali. Il computer pu\u00f2 quindi attingere alle immagini radiologiche e ai risultati di centinaia di radiologi, emulando di fatto, anche se indirettamente, la loro conoscenza collettiva. Un singolo radiologo ha quindi uno svantaggio rispetto a un computer.<\/p>\n\n\n\n

Queste nuove generazioni di sistemi AI non devono necessariamente operare in modo autonomo (senza supervisione medica), in quanto sono gi\u00e0 utilizzate in oftalmologia per la diagnosi della retinopatia diabetica [9]. Piuttosto, l’IA supporter\u00e0 le attivit\u00e0 mediche, ad esempio nei sistemi di IA radiologica che danno priorit\u00e0 alle immagini radiologiche ancora da valutare in base alla gravit\u00e0 in background o nei sistemi di assistenza<\/em> basati sull’IA che avvisano il radiologo di una frattura nell’immagine a raggi X e aumentano in modo dimostrabile la precisione diagnostica [17]. Se gli specialisti accetteranno e utilizzeranno effettivamente l’aiuto dell’AI \u00e8 ancora una questione aperta a questo punto. In ogni caso, i non specialisti, i medici di base, i medici in formazione e altro personale medico saranno abilitati dall’IA a eseguire autonomamente esami diagnostici complessi.<\/p>\n\n\n\n

Va notato, tuttavia, che un sistema di IA non potr\u00e0 mai sostituire completamente il medico, in quanto il sistema manca di empatia e compassione per il paziente, per il momento. Un medico deve comprendere il contesto del paziente e prendere in considerazione le circostanze sociali e psicologiche con empatia, attenzione e compassione. La conoscenza esplicita del valore predittivo dei sintomi pu\u00f2 essere insegnata a un sistema AI, ma che impari come ottenere la fiducia di una persona \u00e8 improbabile in questa fase.<\/p>\n\n\n\n

Migliorare la qualit\u00e0 della medicina<\/h3>\n\n\n\n

Se applicati correttamente, tuttavia, i sistemi di AI potrebbero portare a un aumento della qualit\u00e0 dell’assistenza medica. I sistemi AI non si affaticano e garantiscono prestazioni diagnostiche costanti, indipendentemente dall’ora del giorno o dal volume dei pazienti. L’AI pu\u00f2 monitorare i processi medici in background e intraprendere azioni correttive. In modo ottimistico, l’AI potrebbe portare a un significativo risparmio di tempo e quindi migliorare la qualit\u00e0 del rapporto paziente-medico. In concreto, i medici potrebbero lasciare gli esami di routine all’IA e dedicare pi\u00f9 tempo a parlare con i pazienti. Un esempio dalla pratica del medico di famiglia potrebbe essere la consultazione di un paziente con diabete mellito di tipo 2. Attualmente, i medici di famiglia passano molto tempo a raccogliere informazioni da varie fonti, ad esempio leggendo i rapporti di dimissione di pazienti ambulatoriali o ricoverati, analizzando gli esami del sangue degli ultimi mesi e consultando le linee guida cliniche. Al contrario, i sistemi di assistenza AI potrebbero preparare automaticamente le cose pi\u00f9 importanti e indicare rischi e misure in base al profilo di rischio individuale del paziente. Pertanto, i sistemi di intelligenza artificiale potrebbero svolgere un ruolo importante anche nella prevenzione. Questi sistemi potrebbero suggerire proattivamente delle consultazioni se determinano che un paziente con diabete mellito di tipo 2 \u00e8 a maggior rischio di sviluppare una particolare complicanza diabetica e merita un intervento.<\/p>\n\n\n\n

L’AI al GP<\/h3>\n\n\n\n

I sistemi basati sull’AI apportano anche competenze diagnostiche di supporto all’assistenza primaria. Un’immagine di una lesione cutanea \u00e8 sufficiente per diagnosticarne l’eziologia mediante un sistema di intelligenza artificiale. Le immagini potrebbero essere acquisite in uno studio medico di base e inviate a un sistema AI specializzato in dermatologia per un’analisi tempestiva [6]. I pazienti a basso rischio riceverebbero una rassicurazione immediata, mentre i pazienti a maggior rischio di melanoma potrebbero essere indirizzati immediatamente a un dermatologo e non dovrebbero aspettare a lungo, poich\u00e9 gli specialisti vedono solo casi selezionati. Questo concetto non \u00e8 limitato al campo della dermatologia, ma anche all’interpretazione di molti altri dati complessi del paziente, ad esempio scansioni della retina, raggi X o immagini a ultrasuoni. Molte di queste immagini possono essere presto raccolte e analizzate con apparecchiature e AI relativamente poco costose. Un buon esempio \u00e8 la nuova generazione di piccoli dispositivi a ultrasuoni che si collegano direttamente allo smartphone e possono analizzare un’ampia variet\u00e0 di sistemi di organi tramite l’AI [18].<\/p>\n\n\n\n

Anche altre applicazioni sono rilevanti. Ad esempio, i nuovi approcci per il rilevamento delle interazioni farmacologiche basati su algoritmi di apprendimento profondo<\/em> mostrano un potenziale. La politerapia \u00e8 un problema crescente nella medicina di famiglia, con un alto rischio di interazioni farmacologiche avverse. I sistemi di intelligenza artificiale che supportano il medico possono svolgere un ruolo importante nel rilevamento e anche nella prevenzione (Fig. 1)<\/span> [15,16].<\/p>\n\n\n

\n
\"\"<\/a><\/figure>\n<\/div>\n\n\n

Tuttavia, un ostacolo all’implementazione sicura e diffusa dei sistemi di IA negli studi medici di base e in molti altri settori della medicina \u00e8 l’inserimento dei dati, spesso inadeguato. Nel settore sanitario, il processo \u00e8 raramente automatizzato e spesso dipende dai medici che non hanno il tempo di inserire i dati. Senza dati corretti e aggiornati, i sistemi di AI non dispongono delle informazioni necessarie per generare un algoritmo funzionante per un corretto processo decisionale [19]. Soprattutto nella medicina generale, sono ancora necessari molti sforzi per migliorare di conseguenza la situazione dei dati.<\/p>\n\n\n\n

Natura della scatola nera e pregiudizio sistematico dell’IA<\/h3>\n\n\n\n

Lo sviluppo di algoritmi di apprendimento profondo<\/em>offre ai computer la capacit\u00e0 di esplorare associazioni sempre pi\u00f9 complesse. Gli algoritmi di apprendimento profondo<\/em>si basano sull’idea di un cervello “computerizzato”. Tuttavia, i processi neurali che avvengono nel sistema non sono sempre comprensibili agli esseri umani (l’IA \u00e8 una “scatola nera”). Questo rende pi\u00f9 difficile l’interpretazione dei risultati. Questo a sua volta pu\u00f2 portare a una riduzione della fiducia nei confronti del sistema e quindi rendere pi\u00f9 difficile l’integrazione nella pratica clinica [19]. Inoltre, un sistema di intelligenza artificiale \u00e8 buono solo quanto i dati che gli vengono forniti; se i dati sono difettosi o distorti, possono contenere pregiudizi sistematici. Il rischio di un’inesattezza sistematica del sistema di AI diventa quindi maggiore. Per esempio, i pazienti con uno status socioeconomico basso possono ricevere meno esami diagnostici e farmaci per le malattie croniche e avere un accesso limitato all’assistenza sanitaria. Un sistema di intelligenza artificiale ha quindi solo una quantit\u00e0 limitata di informazioni su questa popolazione di pazienti e pu\u00f2 suggerire un intervento necessario pi\u00f9 tardi rispetto ai pazienti che si recano regolarmente dal medico [20].<\/p>\n\n\n\n

D’altra parte, i medici professionisti non sono immuni da pregiudizi. Il processo decisionale clinico spesso dipende in parte da una serie di “regole empiriche” e di algoritmi. Sheringham et al. [21] ha mostrato, ad esempio, che i medici di base britannici non avevano maggiori probabilit\u00e0 di diagnosticare i pazienti con sintomi di cancro ad alto rischio rispetto ai pazienti con sintomi a basso rischio. \u00c8 stato anche dimostrato che i pazienti con gli stessi sintomi vengono trattati o chiariti in modo diverso [21].<\/p>\n\n\n\n

Un sistema di AI pu\u00f2 potenzialmente sintetizzare e interpretare in modo oggettivo tutti i dati disponibili nella cartella clinica elettronica, cosa impossibile per il medico a causa della grande quantit\u00e0 di dati. L’interazione medico\/AI \u00e8 sinergica e offre l’opportunit\u00e0 di mitigare i pregiudizi e di ottenere una migliore assistenza al paziente.<\/p>\n\n\n\n

Open Data – implicazioni per l’AI, la protezione dei dati e la sicurezza<\/h3>\n\n\n\n

I dati aperti sono una tendenza che sta diventando sempre pi\u00f9 importante anche nell’assistenza sanitaria. Uno dei principali vantaggi degli Open Data \u00e8 che i dati degli studi clinici e di altre fonti possono essere utilizzati, rianalizzati, condivisi e combinati con altri dati. Gli Open Data facilitano la collaborazione scientifica, arricchiscono la ricerca, migliorano la capacit\u00e0 analitica di prendere decisioni e garantiscono progressi molto pi\u00f9 rapidi nella medicina. Ad esempio, MIMIC-IV \u00e8 un set di dati che contiene dati sanitari non identificabili su oltre 60.000 pazienti di terapia intensiva presso il Beth Israel Deaconess Medical Centre dal 2008 al 2019 ed \u00e8 disponibile pubblicamente [22].<\/p>\n\n\n\n

I dati aperti stanno alimentando l’AI, che dipende da serie di dati di pazienti molto grandi. Questo aspetto porter\u00e0 inevitabilmente a una convergenza dei sistemi sanitari, almeno a livello di dati, in modo che nella rete di ospedali vengano raccolti dati sufficienti per l’IA. Questa “trasparenza dei dati” potrebbe portare a ulteriori effetti positivi a lungo termine, come un migliore controllo dei costi nel sistema sanitario.<\/p>\n\n\n\n

La dipendenza dai dati ha anche i suoi lati negativi. I dati medici contengono informazioni altamente sensibili che devono essere protette per motivi di protezione dei dati e, a prima vista, rappresentano una barriera importante per gli Open Data. Pertanto, l’uso degli Open Data richiede un attento equilibrio tra il libero accesso e la privacy del paziente. Per rispondere a queste sfide di sicurezza e protezione dei dati, \u00e8 necessario porre grande enfasi sulle garanzie legali (“accordi sull’uso dei dati”), sugli algoritmi di crittografia avanzati e sulla pseudo-anonimizzazione dei dati personali. I sistemi di IA in generale dovrebbero garantire la protezione e la sicurezza dei dati e stabilire standard di buona governance [23].<\/p>\n\n\n\n

Conclusione<\/h3>\n\n\n\n

L’uso dei sistemi di intelligenza artificiale nella pratica medica per una diagnosi e una terapia pi\u00f9 efficienti richiede l’accettazione e il sostegno dei medici. Prima dell’uso, bisogna assicurarsi che la combinazione AI-medico apporti un beneficio alla cura del paziente, anche riducendo il carico sui medici e senza creare incertezza per i pazienti. Ci\u00f2 che serve ora \u00e8 una ricerca sull’IA che esamini in modo olistico e sistematico le conseguenze per la pratica clinica quotidiana.<\/p>\n\n\n\n

Messaggi da portare a casa<\/h4>\n\n\n\n
    \n
  • L’intelligenza artificiale \u00e8 un campo in crescita che avr\u00e0 un impatto importante sulla medicina di domani.<\/li>\n\n\n\n
  • Una comprensione di base dell’intelligenza artificiale \u00e8 fondamentale per la sua corretta implementazione nella pratica clinica.<\/li>\n\n\n\n
  • Il supporto dell’attivit\u00e0 medica da parte dell’intelligenza artificiale porta a un potenziale miglioramento della qualit\u00e0 e a un risparmio di tempo.<\/li>\n\n\n\n
  • L’intelligenza artificiale non \u00e8 infallibile. Nuovi sistemi promettenti sono oggetto della ricerca attuale, ma presentano ancora difficolt\u00e0 di implementazione in un’ampia applicazione clinica.<\/li>\n<\/ul>\n\n\n\n

    Riconoscimento<\/em><\/strong>
    Ringraziamo Lukas Bachmann, MD, per la sua revisione costruttiva dell’articolo.<\/em><\/p>\n\n\n\n

    <\/p>\n\n\n\n

    Letteratura:<\/p>\n\n\n\n

      \n
    1. McCarthy J, Minsky ML, Rochester N, Shannon CE: A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence, August 31, 1955. AI Magazine 1955; 27(4): 12.<\/li>\n\n\n\n
    2. Shortliffe EH, Buchanan BG: A model of inexact reasoning in medicine. Mathematical Biosciences 1975; 23(3): 351\u2013379.<\/li>\n\n\n\n
    3. Rosati RA, McNeer JF, Starmer CF, et al.: A new information system for medical practice. Arch Intern Med 1975; 135(8): 1017\u20131024.<\/li>\n\n\n\n
    4. Kassirer JP: A report card on computer-assisted diagnosis-the grade: C. N Engl J Med 1994; 330(25): 1824\u20131825.<\/li>\n\n\n\n
    5. Langlotz CP, Allen B, Erickson BJ, et al.: A Roadmap for Foundational Research on Artificial Intelligence in Medical Imaging: From the 2018 NIH\/RSNA\/ACR\/The Academy Workshop. Radiology 2019; 291(3): 781\u2013791.<\/li>\n\n\n\n
    6. Esteva A, Kuprel B, Novoa RA, et al.: Dermatologist-level classification of skin cancer with deep neural networks. Nature 2017; 542(7639): 115\u2013118.<\/li>\n\n\n\n
    7. Kooi T, Litjens G, van Ginneken B, et al.: Large scale deep learning for computer aided detection of mammographic lesions. Med Image Anal 2017; 35: 303\u2013312.<\/li>\n\n\n\n
    8. Gulshan V, Peng L, Coram M, et al.: Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal Fundus Photographs. JAMA 2016; 316(22): 2402\u20132410.<\/li>\n\n\n\n
    9. De Fauw J, Ledsam JR, Romera-Paredes B, et al.: Clinically applicable deep learning for diagnosis and referral in retinal disease. Nat Med 2018; 24(9): 1342\u20131350.<\/li>\n\n\n\n
    10. van der Laak J, Litjens G, Ciompi F: Deep learning in histopathology: the path to the clinic. Nat Med 2021; 27(5): 775\u2013784.<\/li>\n\n\n\n
    11. Li Y, Rao S, Solares JRA, et al.: BEHRT: Transformer for Electronic Health Records. Sci Rep 2020; 10(1): 7155.<\/li>\n\n\n\n
    12. Nooralahzadeh F, Gonzalez NP, Frauenfelder T, et al.: Progressive Transformer-Based Generation of Radiology Reports. arXiv preprint arXiv:210209777; 2021.<\/li>\n\n\n\n
    13. Summerton N, Cansdale M: Artificial intelligence and diagnosis in general practice. Br J Gen Pract 2019; 69(684): 324\u2013325.<\/li>\n\n\n\n
    14. Embi PJ, Leonard AC: Evaluating alert fatigue over time to EHR-based clinical trial alerts: findings from a randomized controlled study. J Am Med Inform Assoc 2012; 19(e1): e145\u2013148.<\/li>\n\n\n\n
    15. Schwarz K, Allam A, Gonzalez NAP, Krauthammer M: AttentionDDI: Siamese Attention-based Deep Learning method for drug-drug interaction predictions. ArXiv. 2020; abs\/2012.13248.<\/li>\n\n\n\n
    16. Moriarty F, Hardy C, Bennett K, et al.: Trends and interaction of polypharmacy and potentially inappropriate prescribing in primary care over 15 years in Ireland: a repeated cross-sectional study. BMJ Open 2015; 5(9): e008656.<\/li>\n\n\n\n
    17. Rainey C, McConnell J, Hughes C, et al.: Artificial intelligence for diagnosis of fractures on plain radiographs: A scoping review of current literature. Intelligence-Based Medicine 2021; 5: 100033.<\/li>\n\n\n\n
    18. Buonsenso D, Pata D, Chiaretti A: COVID-19 outbreak: less stethoscope, more ultrasound. Lancet Respir Med 2020; 8(5): e27.<\/li>\n\n\n\n
    19. Liaw W, Kakadiaris IA: Primary Care Artificial Intelligence: A Branch Hiding in Plain Sight. Ann Fam Med 2020; 18(3): 194\u2013195.<\/li>\n\n\n\n
    20. 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\u2013453.<\/li>\n\n\n\n
    21. Sheringham J, Sequeira R, Myles J, et al.: Variations in GPs\u2019 decisions to investigate suspected lung cancer: a factorial experiment using multimedia vignettes. BMJ Qual Saf 2017; 26(6): 449\u2013459.<\/li>\n\n\n\n
    22. Johnson ABL, Pollard T, Horng S, et al.: MIMIC-IV (version 1.0). PhysioNet0 2021; doi: 10.13026\/s6n6-xd98.<\/li>\n\n\n\n
    23. Kobayashi S, Kane TB, Paton C: The Privacy and Security Implications of Open Data in Healthcare. Yearb Med Inform 2018; 27(1): 41\u201347.<\/li>\n<\/ol>\n\n\n\n

      CARDIOVASC 2024; 23(4): 4\u20138<\/em><\/p>\n","protected":false},"excerpt":{"rendered":"

      Il termine intelligenza artificiale risale agli anni Cinquanta. 20\u00b0 secolo e comprende un insieme di tecnologie che permettono a un computer di emulare le caratteristiche tipiche dell’intelligenza umana. Inizialmente, sono…<\/p>\n","protected":false},"author":7,"featured_media":391716,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"pmpro_default_level":"","cat_1_feature_home_top":false,"cat_2_editor_pick":false,"csco_eyebrow_text":"Intelligenza artificiale in medicina","footnotes":""},"category":[11550,11351,11519,22617,11306,11473],"tags":[18513,18515,11750,14127],"powerkit_post_featured":[],"class_list":["post-391658","post","type-post","status-publish","format-standard","has-post-thumbnail","category-rx-it","category-dermatologia-e-venereologia","category-formazione-continua","category-formazione-ecm","category-medicina-interna-generale","category-prevenzione-e-assistenza-sanitaria","tag-apprendimento-profondo","tag-dati-aperti","tag-formazione-ecm","tag-intelligenza-artificiale","pmpro-has-access"],"acf":[],"publishpress_future_action":{"enabled":false,"date":"2026-04-11 05:51:03","action":"change-status","newStatus":"draft","terms":[],"taxonomy":"category","extraData":[]},"publishpress_future_workflow_manual_trigger":{"enabledWorkflows":[]},"wpml_current_locale":"it_IT","wpml_translations":{"pt_PT":{"locale":"pt_PT","id":391659,"slug":"oportunidades-e-riscos-da-ia-5","post_title":"Oportunidades e riscos da IA","href":"https:\/\/medizinonline.com\/pt-pt\/oportunidades-e-riscos-da-ia-5\/"},"es_ES":{"locale":"es_ES","id":391660,"slug":"oportunidades-y-riesgos-de-la-ia-5","post_title":"Oportunidades y riesgos de la IA","href":"https:\/\/medizinonline.com\/es\/oportunidades-y-riesgos-de-la-ia-5\/"}},"_links":{"self":[{"href":"https:\/\/medizinonline.com\/it\/wp-json\/wp\/v2\/posts\/391658","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/medizinonline.com\/it\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/medizinonline.com\/it\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/medizinonline.com\/it\/wp-json\/wp\/v2\/users\/7"}],"replies":[{"embeddable":true,"href":"https:\/\/medizinonline.com\/it\/wp-json\/wp\/v2\/comments?post=391658"}],"version-history":[{"count":2,"href":"https:\/\/medizinonline.com\/it\/wp-json\/wp\/v2\/posts\/391658\/revisions"}],"predecessor-version":[{"id":391717,"href":"https:\/\/medizinonline.com\/it\/wp-json\/wp\/v2\/posts\/391658\/revisions\/391717"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/medizinonline.com\/it\/wp-json\/wp\/v2\/media\/391716"}],"wp:attachment":[{"href":"https:\/\/medizinonline.com\/it\/wp-json\/wp\/v2\/media?parent=391658"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/medizinonline.com\/it\/wp-json\/wp\/v2\/category?post=391658"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/medizinonline.com\/it\/wp-json\/wp\/v2\/tags?post=391658"},{"taxonomy":"powerkit_post_featured","embeddable":true,"href":"https:\/\/medizinonline.com\/it\/wp-json\/wp\/v2\/powerkit_post_featured?post=391658"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}