بدأت المراجعة 03/28/2024
انتهت المراجعة 04/02/2024
نُشر 04/06/2024
© حقوق الطبع والنشر 2024
إلهداد وآخرون. هذه مقالة مفتوحة الوصول موزعة بموجب شروط ترخيص المشاع الإبداعي CCBY 4.0، الذي يسمح بالاستخدام غير المقيد، والتوزيع، وإعادة الإنتاج في أي وسيلة، بشرط الإشارة إلى المؤلف الأصلي والمصدر.

الفئات: تحسين الجودة، تكنولوجيا الرعاية الصحية، سياسة الصحة
الكلمات الرئيسية: تحيز الذكاء الاصطناعي، القابلية للتفسير، واجهة موجهة نحو المستخدم، نماذج التعلم العميق، معالجة اللغة الطبيعية (NLP)، الشبكات العصبية التلافيفية (CNN)، الشبكات العصبية المتكررة، خوارزميات التعلم الآلي، الذكاء الاصطناعي (AI)، أنظمة دعم القرار السريري (CDSS)

تخيل أن لديك مساعدًا افتراضيًا بجانبك، مزودًا بأحدث المعرفة الطبية ومستعدًا لمساعدتك في اتخاذ أفضل القرارات لمرضاك. هذا بالضبط ما تمثله أنظمة دعم القرار السريري (CDSS)، التي تُفسر على أنها برامج الكمبيوتر التي تساعد المتخصصين في الرعاية الصحية في اتخاذ القرارات الطبية: تقدم محوري في الرعاية الصحية، يجمع بين القوة التكنولوجية والخبرة الطبية لتعزيز عمليات اتخاذ القرار السريري. تم تصميم هذه الأنظمة لتزويد المتخصصين في الرعاية الصحية برؤى قابلة للتنفيذ، وتوصيات قائمة على الأدلة، ومعلومات محددة للمرضى في نقطة الرعاية، مما يعزز دقة التشخيص، وفعالية العلاج، ونتائج المرضى. تعمل CDSS على أساس من المعرفة الطبية، والخوارزميات، وبيانات المرضى، بهدف سد الفجوة بين المعلومات الطبية الواسعة والقرارات السريرية المستنيرة في الوقت المناسب. في جوهرها، تعمل CDSS كمعين إدراكي، تساعد الأطباء في التنقل عبر تعقيدات الطب الحديث. تقوم بتحليل بيانات المرضى، والأدبيات الطبية، وأفضل الممارسات لتقديم اقتراحات مخصصة، وتذكيرات، وتنبيهات لمقدمي الرعاية الصحية خلال عملية تقديم الرعاية. تكمن أهمية CDSS في إمكاناتها لتقليل الأخطاء التشخيصية، وتحسين خطط العلاج، وتقليل تكاليف الرعاية الصحية، وفي النهاية، تحسين سلامة المرضى وجودة الرعاية. وفقًا لوكالة أبحاث وجودة الرعاية الصحية (AHRQ)، أظهرت تدخلات CDSS أنها تعزز جودة الرعاية الصحية من خلال تسهيل الالتزام بالإرشادات السريرية، وتقليل أخطاء الأدوية، وتقليل الأحداث السلبية للأدوية [1]. علاوة على ذلك، أكد تشين وآخرون على تعددية الاستخدامات والتطبيق الواسع لـ CDSS، مما يظهر فائدتها عبر مختلف إعدادات الرعاية الصحية، بدءًا من عيادات الرعاية الأولية إلى وحدات العناية المركزة [2].

في السنوات الأخيرة، دفع دمج الذكاء الاصطناعي (AI) CDSS إلى عصر جديد من التعقيد والفعالية. لقد أحدثت تقنيات الذكاء الاصطناعي، بما في ذلك التعلم الآلي، ومعالجة اللغة الطبيعية (NLP)، والتعلم العميق، ثورة في قدرات CDSS، مما يمكنها من معالجة وتفسير كميات هائلة من بيانات الرعاية الصحية بسرعة ودقة غير مسبوقتين. تمكّن خوارزميات التعلم الآلي، وهي فرع من الذكاء الاصطناعي تعلم الكمبيوتر من التعلم من البيانات وتحسين أدائها بمرور الوقت دون
برمجتها بشكل صريح، مثل الشبكات العصبية وأشجار القرار، CDSS من تمييز الأنماط، والتعرف على العلاقات، واستخراج الرؤى من مجموعات البيانات المعقدة [3]. تتعلم هذه الخوارزميات باستمرار من مدخلات البيانات الجديدة، مما يحسن قدراتها التنبؤية ويتكيف مع السيناريوهات السريرية المتطورة. وبالتالي، يمكن أن تقدم CDSS المدعومة بالتعلم الآلي توصيات مخصصة مصممة لتلبية احتياجات المرضى الفردية، مما يعزز اتخاذ القرار السريري ونتائج المرضى [4]. وبالمثل، فإن معالجة اللغة الطبيعية، وهي مجموعة فرعية أخرى من الذكاء الاصطناعي تركز على تمكين الكمبيوتر من فهم وتفسير وتوليد اللغة البشرية بطريقة ذات معنى ومفيدة، قد ظهرت كركيزة أساسية لـ CDSS المدفوعة بالذكاء الاصطناعي، مما يمكّن استخراج وتحليل المعلومات القيمة من النصوص السريرية غير المنظمة، بما في ذلك السجلات الصحية الإلكترونية (EHRs)، والملاحظات الطبية، والأدبيات البحثية. من خلال تحويل بيانات النص الحر إلى تنسيقات منظمة، تسهل معالجة اللغة الطبيعية الفهم الدلالي، واسترجاع المعلومات، واستخراج المعرفة، مما يمكّن CDSS من استخراج رؤى قابلة للتنفيذ من مصادر متنوعة من المعلومات السريرية. تمثل تقنية الذكاء الاصطناعي الأخرى التي تمثل تقدمًا في هذا السياق نماذج التعلم العميق، وهي مجموعة فرعية من التعلم الآلي تتضمن الشبكات العصبية متعددة الطبقات، ومن هنا جاءت التسمية “العميق”. لقد وسعت نماذج التعلم العميق، التي تتميز بهياكلها العصبية متعددة الطبقات، من قدرات CDSS المدفوعة بالذكاء الاصطناعي، لا سيما في تحليل الصور، والتعرف على الأنماط، والنمذجة التنبؤية [3،5]. في أبحاثهم التي تركزت على تصنيف سرطان الجلد بمستوى طبيب الأمراض الجلدية، أظهر إستيڤا وآخرون أن الشبكات العصبية التلافيفية العميقة (CNNs) تحقق أداءً يعادل جميع الخبراء المختبرين، مما يظهر ذكاءً اصطناعيًا قادرًا على تصنيف سرطان الجلد بمستوى من الكفاءة يقارن بأطباء الأمراض الجلدية [6].

الغرض من هذه المقالة الاستعراضية هو استكشاف دور وإمكانات الذكاء الاصطناعي في تحويل أنظمة دعم القرار السريري. من خلال فحص الأبحاث الحالية، والتطبيقات العملية، والاتجاهات الناشئة، تهدف هذه المقالة إلى توضيح العلاقة التبادلية بين تقنيات الذكاء الاصطناعي وأنظمة دعم القرار السريري، موضحة تأثيرها الجماعي على تقديم الرعاية الصحية، واتخاذ القرارات السريرية، ونتائج المرضى. من خلال تحليل متعمق لتقنيات الذكاء الاصطناعي، والتطبيقات، والاعتبارات الإنسانية، والتحديات، والاتجاهات المستقبلية، تسعى هذه المراجعة إلى إبلاغ المهنيين في مجال الرعاية الصحية، والباحثين، وصانعي السياسات، وأصحاب المصلحة حول الإمكانيات التحويلية والتعقيدات الكامنة في تقارب الذكاء الاصطناعي وأنظمة دعم القرار السريري. في جوهرها، تعمل هذه المراجعة كخريطة طريق لفهم المسار الماضي والحاضر والمستقبل لأنظمة دعم القرار السريري المدفوعة بالذكاء الاصطناعي، موضحة الفرص، والتحديات، والاعتبارات الأخلاقية التي ترافق هذا التحول في تقديم الرعاية الصحية ودعم القرار.

لقد ظهرت الذكاء الاصطناعي مؤخرًا كقوة تحويلية في الرعاية الصحية، لا سيما في مجال أنظمة دعم القرار السريري (CDSS). من خلال الاستفادة من تقنيات الحوسبة المتقدمة، يعزز الذكاء الاصطناعي عمليات اتخاذ القرار لدى المهنيين الصحيين، مما يحسن من تقديم الرعاية الصحية ونتائجها. للبدء، سنقوم بإيجاز ثلاث تقنيات رئيسية في الذكاء الاصطناعي تدفع الابتكار داخل أنظمة دعم القرار السريري، موضحين خصائصها الفريدة قبل أن نتعمق في استكشاف كل منها بشكل أكبر: خوارزميات التعلم الآلي، ومعالجة اللغة الطبيعية (NLP)، ونماذج التعلم العميق. اعتبرها مساعدات ذكية للغاية تقوم بتحليل كميات هائلة من بيانات المرضى للتنبؤ بمشكلات صحية مستقبلية واقتراح أفضل مسار للعمل. تمكّن خوارزميات التعلم الآلي أنظمة دعم القرار السريري من تحليل بيانات المرضى وإجراء التنبؤات، مما يساعد في التشخيص والتخطيط للعلاج. تتيح معالجة اللغة الطبيعية لأنظمة دعم القرار السريري استخراج رؤى من النصوص السريرية، مما يسهل توثيق البيانات واسترجاعها. نماذج التعلم العميق، وهي شكل أكثر تقدمًا من التعلم الآلي تتفوق في العثور على الأنماط المعقدة، تقوم بأتمتة استخراج الأنماط المعقدة من بيانات طبية متنوعة، بما في ذلك الصور والبيانات المتسلسلة مثل تخطيط القلب، مما يعزز دقة التشخيص ورعاية المرضى الشخصية. كل من هذه التقنيات تقدم قدرات فريدة، من التحليلات التنبؤية باستخدام التعلم الآلي إلى تحليل النصوص باستخدام معالجة اللغة الطبيعية والتعرف على الأنماط المعقدة للبيانات باستخدام التعلم العميق، وكلها تهدف إلى تحسين اتخاذ القرار في الرعاية الصحية ونتائج المرضى.

تعتبر خوارزميات التعلم الآلي حجر الزاوية في أنظمة دعم القرار السريرية الحديثة، مما يمكّن مقدمي الرعاية الصحية من الاستفادة من قدرات التحليل التنبؤي ودعم اتخاذ القرار. تتيح هذه الخوارزميات لأنظمة دعم القرار السريرية معالجة وتحليل كميات هائلة من بيانات المرضى، بما في ذلك السجلات الصحية الإلكترونية، والتصوير الطبي، والمعلومات الجينومية، لاستخراج رؤى ذات مغزى وإبلاغ القرارات السريرية. تمثل الشبكات العصبية، وخوارزميات شجرة القرار، وآلات الدعم الناقل (SVMs)، والشبكات البايزية، وطرق التعلم الجماعي فئات متميزة من خوارزميات التعلم الآلي. بينما تقع كل منها تحت الفئة الأوسع للتعلم الآلي، فإنها تستخدم منهجيات وتقنيات فريدة للتعلم من البيانات وإجراء التنبؤات. لقد اكتسبت الشبكات العصبية، وهي فئة من نماذج التعلم الآلي المستوحاة من هيكل وعمل الدماغ البشري، شهرة في أنظمة دعم القرار السريرية لقدرتها على تعلم أنماط معقدة من البيانات. تتفوق الشبكات العصبية التلافيفية (CNNs) بشكل خاص في مهام تحليل الصور الطبية، مثل تحديد الشذوذ في الأشعة السينية واكتشاف الآفات في الصور النسيجية. أظهرت الدراسات فعالية أنظمة دعم القرار السريرية المعتمدة على الشبكات العصبية التلافيفية في تحسين دقة التشخيص وتسهيل الكشف المبكر عن الأمراض. تمثل خوارزميات شجرة القرار (DT) فئة أخرى من تقنيات التعلم الآلي المستخدمة على نطاق واسع في أنظمة دعم القرار السريرية. تقوم هذه الخوارزميات ببناء هيكل شجري لنمذجة مسارات القرار بناءً على المتغيرات المدخلة، مما يمكّن مقدمي الرعاية الصحية من التنقل في السيناريوهات السريرية المعقدة وصياغة خطط علاج شخصية. تعتبر الغابات العشوائية وآلات تعزيز التدرج من خوارزميات شجرة القرار الشائعة المعروفة بمتانتها وأدائها التنبؤي في تطبيقات الرعاية الصحية. علاوة على ذلك، فإن آلات الدعم الناقل (SVMs)، والشبكات البايزية.

تعتبر الشبكات وطرق التعلم الجماعي من بين مجموعة متنوعة من خوارزميات التعلم الآلي المستخدمة في أنظمة دعم القرار السريري (CDSS) لمعالجة تحديات سريرية مختلفة، بما في ذلك تشخيص الأمراض، وتصنيف المخاطر، وتحسين العلاج. من خلال استغلال قوة التعلم الآلي، يمكن لأنظمة دعم القرار السريري الاستفادة من بيانات المرضى التاريخية لتوقع النتائج الصحية المستقبلية وتخصيص التدخلات وفقًا لاحتياجات كل مريض.

تلعب معالجة اللغة الطبيعية، من ناحية أخرى، دورًا محوريًا في استخراج الرؤى من النصوص السريرية غير المنظمة، مثل ملاحظات الأطباء، وملخصات الخروج، والأدبيات الطبية. مع انتشار السجلات الصحية الإلكترونية ومنصات الصحة الرقمية، تتعرض المنظمات الصحية لفيض من البيانات النصية، مما يقدم فرصًا وتحديات لاستغلال هذه المعلومات بشكل فعال. تمكّن خوارزميات معالجة اللغة الطبيعية أنظمة دعم القرار السريري من تحليل وتفسير واستخراج المعلومات ذات الصلة من السرد السريري، مما يسهل التوثيق السريري الآلي، والترميز، واسترجاع المعلومات. تستفيد هذه الخوارزميات من تقنيات التحليل اللغوي لتحديد المفاهيم السريرية، واستخراج عناصر البيانات المنظمة، وملء قواعد البيانات المنظمة، مما يسهل سير العمل السريري ويعزز تداخل البيانات. كواحدة من المهام الرئيسية في معالجة اللغة الطبيعية، تشير تحليل المشاعر إلى العملية الحسابية التي تهدف إلى تمييز وتحليل الفروق العاطفية المعبر عنها ضمن البيانات النصية. في جوهرها، تتضمن الفحص المنهجي للنص لتحديد المشاعر أو المواقف الأساسية التي يعبر عنها المؤلف أو المتحدث. يمكن أن تشمل هذه مجموعة من المشاعر، بما في ذلك، على سبيل المثال لا الحصر، المشاعر الإيجابية والسلبية والمحايدة. غالبًا ما تستخدم خوارزميات تحليل المشاعر تقنيات متنوعة، مثل التعلم الآلي والتحليل اللغوي، لتحديد وتصنيف النغمة العاطفية للنص بدقة. تلعب دورًا حاسمًا في معالجة اللغة الطبيعية من خلال تمكين الاستخراج والتفسير الآلي للمحتوى العاطفي من البيانات النصية، مما يسهل فهمًا أعمق للتواصل والسلوك البشري. من ناحية أخرى، توجد مهمة محورية أخرى في معالجة اللغة الطبيعية تُعرف بالتعرف على الكيانات، والتي تهدف إلى تحديد وتصنيف كيانات محددة مثل الأسماء، والتواريخ، والمصطلحات الطبية ضمن مجموعة النصوص. بينما يركز استخراج المعلومات على الاسترجاع المنهجي للبيانات المنظمة من النص غير المنظم، مما يسهل استخراج الحقائق السريرية الحيوية وخطط العلاج. تجهز هذه المهام الأساسية في معالجة اللغة الطبيعية أنظمة دعم القرار السريري بالقدرة على تحليل البيانات النصية بدقة، مما يمكّن المهنيين الصحيين من الحصول على رؤى قابلة للتنفيذ ضرورية لاتخاذ قرارات مستنيرة. من خلال تحليل المشاعر والنغمة في السرد السريري، يمكن لخوارزميات معالجة اللغة الطبيعية تمييز مواقف المرضى وتفضيلاتهم وأنماط الالتزام بالعلاج، مما يساهم في إبلاغ خطط الرعاية الشخصية واستراتيجيات مشاركة المرضى.

أخيرًا، أحدث التعلم العميق، وهو فرع من فروع التعلم الآلي، ثورة في أنظمة دعم القرار السريري من خلال تمكين الاستخراج التلقائي للأنماط المعقدة والتمثيلات من مصادر البيانات الطبية المتنوعة. على عكس خوارزميات التعلم الآلي التقليدية، التي تتطلب ميزات مصممة يدويًا ومعرفة خاصة بالمجال، تتعلم نماذج التعلم العميق تمثيلات هرمية للبيانات من خلال عدة طبقات من الخلايا العصبية المترابطة، مما يمكنها من التقاط العلاقات الدقيقة والفروق الدقيقة في مجموعات البيانات الطبية. تم تعديل الشبكات العصبية التلافيفية، التي تم تطويرها في الأصل لمهام معالجة الصور، لتناسب تطبيقات التصوير الطبي المختلفة، بما في ذلك اكتشاف الآفات، وتقسيم الأعضاء، وتصنيف الأمراض. من خلال الاستفادة من استخراج الميزات الهرمية والهرميات المكانية، يمكن لأنظمة دعم القرار السريري المعتمدة على الشبكات العصبية التلافيفية استخدام تقنيات حسابية متقدمة لتحليل الصور الطبية بعمق. هذه الأنظمة بارعة في اكتشاف الشذوذات الدقيقة داخل الصور، مما يظهر حساسية وخصوصية عالية في قدراتها التشخيصية. تتضمن عملية استخراج الميزات الهرمية تحديد ميزات الصورة المختلفة على مستويات متعددة من التجريد، مما يمكّن النظام من تمييز التفاصيل الدقيقة التي تشير إلى الشذوذات. بالإضافة إلى ذلك، يتم الاستفادة من الهرميات المكانية لفهم العلاقات المكانية بين ميزات الصورة المختلفة، مما يعزز قدرة النظام على تفسير الصور الطبية المعقدة بدقة. من خلال استخدام هذه التقنيات المتطورة، تعمل أنظمة دعم القرار السريري المعتمدة على الشبكات العصبية التلافيفية كأدوات لا تقدر بثمن لأطباء الأشعة والأطباء، مما يوفر لهم دعمًا معززًا في عملية اتخاذ القرار التشخيصي. تساعد قدرتها على تحديد الشذوذات الدقيقة بدقة في الكشف المبكر والتشخيص الدقيق، مما يؤدي في النهاية إلى تحسين نتائج المرضى. وبالمثل، تتفوق الشبكات العصبية المتكررة ونسخها، مثل الشبكات ذات الذاكرة القصيرة والطويلة، في معالجة بيانات السلاسل الزمنية، مثل تخطيط القلب الكهربائي، وتخطيط الدماغ الكهربائي، وبيانات السلاسل الزمنية السريرية. وقد أبرز تشوي وآخرون ولخاني وسندرام قدرات أنظمة دعم القرار السريري المعتمدة على الشبكات العصبية المتكررة في نمذجة الاعتماد الزمني، واكتشاف الأنماط الشاذة، والتنبؤ بالنتائج السريرية، مما يسهل التدخل المبكر ورعاية المرضى الشخصية. يمتد إمكان التعلم العميق في أنظمة دعم القرار السريري إلى ما هو أبعد من تحليل الصور الطبية وبيانات السلاسل الزمنية ليشمل معالجة اللغة الطبيعية السريرية، وعلم الجينوم، والطب الشخصي. من خلال دمج مصادر البيانات متعددة الأنماط والاستفادة من هياكل الشبكات العصبية المتقدمة، يمكن لأنظمة دعم القرار السريري تقديم رؤى شاملة حول حالة صحة المريض، وتسهيل الكشف المبكر عن الأمراض، وتحسين استراتيجيات العلاج المخصصة لملفات تعريف المرضى الفردية.

بينما تحمل هذه التقنيات الذكية وعدًا هائلًا في تحويل أنظمة دعم القرار السريري وتحسين تقديم الرعاية الصحية، فإن دمجها في الممارسة السريرية مليء بالتحديات التي يجب معالجتها لضمان فعاليتها وسلامتها واستخدامها الأخلاقي. تشمل هذه التحديات القيود التقنية، والقيود التنظيمية، والاعتبارات الأخلاقية، والحواجز التنظيمية التي تؤثر على اعتماد وتوسع أنظمة دعم القرار السريري المدفوعة بالذكاء الاصطناعي. واحدة من التحديات الرئيسية المرتبطة بدمج الذكاء الاصطناعي في أنظمة دعم القرار السريري هي قابلية التفسير
وشفافية نماذج الذكاء الاصطناعي. على سبيل المثال، تمثل نماذج التعلم العميق، التي تتميز بهياكلها المعقدة وطبيعتها الغامضة، تحديات للأطباء ومقدمي الرعاية الصحية الذين يسعون لفهم الأسباب وراء التوصيات والتنبؤات المدفوعة بالذكاء الاصطناعي. علاوة على ذلك، تمثل القابلية للتعميم والصلابة للعديد من نماذج الذكاء الاصطناعي عبر مجموعات المرضى المتنوعة، والإعدادات السريرية، وأنماط البيانات تحديات حاسمة في أنظمة دعم القرار السريري. قد تظهر خوارزميات الذكاء الاصطناعي المدربة على مجموعات بيانات متحيزة أو غير تمثيلية تفاوتات في الأداء عبر المجموعات السكانية أو الفئات السريرية الفرعية، مما يؤدي إلى تفاوتات في نتائج الرعاية الصحية وتفاقم الفجوات الصحية الموجودة. في دراستهم التفصيلية حول التحيز العنصري في خوارزمية تستخدم لإدارة صحة السكان، أكد أوبيرماير وآخرون على ضرورة التخفيف من التحيز، وضمان العدالة الخوارزمية، وتعزيز الشمولية في أنظمة دعم القرار السريري المدفوعة بالذكاء الاصطناعي. إن تحقيق هذه الأهداف يعتمد على جمع البيانات بدقة، والتحقق، وعمليات تدقيق الخوارزميات. علاوة على ذلك، تشكل القيود التنظيمية ومخاوف الخصوصية عقبات كبيرة أمام الاعتماد الواسع لأنظمة دعم القرار السريري المدفوعة بالذكاء الاصطناعي في الرعاية الصحية. إن الامتثال للأطر التنظيمية، مثل قانون قابلية نقل ومساءلة التأمين الصحي في الولايات المتحدة أو اللائحة العامة لحماية البيانات في الاتحاد الأوروبي، أمر ضروري لحماية خصوصية المرضى وسرية البيانات وأمانها. بالإضافة إلى ذلك، يمثل التنقل في المشهد التنظيمي الذي يحكم موافقات الأجهزة الطبية، والتحقق من البرمجيات، وأنظمة دعم القرار السريري تحديات للمنظمات الصحية وبائعي التكنولوجيا الذين يسعون لنشر حلول مدفوعة بالذكاء الاصطناعي في الممارسة السريرية.

لقد أعاد دمج الذكاء الاصطناعي تشكيل أنظمة دعم القرار السريري بشكل كبير، حيث قدم حلولًا مبتكرة تعمل على تحسين رعاية المرضى وتبسيط سير العمل السريري. من خلال تطبيق خوارزميات متقدمة وتقنيات التعلم الآلي، تمكّن أنظمة دعم القرار السريري المدفوعة بالذكاء الاصطناعي المهنيين في الرعاية الصحية من خلال تقديم رؤى ومساعدات لا تقدر بثمن عبر جوانب مختلفة من الممارسة الطبية. من الدعم التشخيصي إلى توصيات العلاج الشخصية، وتوقع المخاطر الاستباقية، وتسهيل الوثائق السريرية، يحدث الذكاء الاصطناعي في أنظمة دعم القرار السريري ثورة في الأساليب التقليدية، مما يمهد الطريق لعصر جديد من الطب الدقيق كما سيتم فحصه هنا بمزيد من التفصيل.

واحدة من أكثر تطبيقات أنظمة دعم القرار السريري المدفوعة بالذكاء الاصطناعي تأثيرًا هي في تقديم الدعم التشخيصي. لقد أظهرت خوارزميات الذكاء الاصطناعي، وخاصة نماذج التعلم العميق، قدرات ملحوظة في تحليل الصور الطبية، مثل الأشعة السينية، والتصوير بالرنين المغناطيسي، وشرائح علم الأمراض، مما يساعد الأطباء في إجراء تشخيصات دقيقة. على سبيل المثال، عرض إستيڤا وآخرون إمكانات الشبكات العصبية العميقة في تشخيص الأمراض الجلدية من خلال تحقيق تصنيف على مستوى أطباء الجلد من صور ديرموسكوبية. وقد سلطت دراستهم، التي نُشرت في مجلة نيتشر ميديسن، الضوء على فعالية الذكاء الاصطناعي في تعزيز دقة التشخيص وتحسين نتائج المرضى. علاوة على ذلك، تمكّن تقنيات معالجة اللغة الطبيعية أنظمة الذكاء الاصطناعي من استخراج رؤى قيمة من الملاحظات السريرية غير المنظمة، مما يسهل فهمًا شاملاً لحالات المرضى. على سبيل المثال، أظهر غولي بور وآخرون فائدة معالجة اللغة الطبيعية في تحديد مفاهيم السرطان من خلال استخراج المعلومات ذات الصلة من الملاحظات السريرية. وتؤكد نتائجهم، التي نُشرت في مراجعة منهجية، على الدور الكبير للذكاء الاصطناعي في تعزيز دقة التشخيص من خلال تحليل النصوص. وقد استعرضت هذه المراجعة الدراسات التي استخدمت طرق معالجة اللغة الطبيعية لتحديد مفاهيم السرطان من الملاحظات السريرية تلقائيًا، مما يبرز إمكانات الذكاء الاصطناعي في مجال الأورام.

يمتد نظام دعم القرار السريري القائم على الذكاء الاصطناعي (AI-CDSS) إلى ما هو أبعد من مجرد تحليل البيانات لدعم التشخيص، بل يكشف أيضًا عن إمكانيته في تقديم توصيات علاجية مخصصة تتناسب مع خصائص كل مريض. هذا يغير approaches التقليدية لتقديم الرعاية الصحية من خلال الاستفادة من رؤية شاملة لكل مريض. من خلال تحليل بيانات المرضى المتنوعة، بما في ذلك الملفات الجينية، والتاريخ الطبي، ونتائج العلاج، يمكن لخوارزميات الذكاء الاصطناعي تحديد استراتيجيات العلاج المثلى التي تعزز الفعالية وتقلل المخاطر. قدم كوموروسكي وآخرون خوارزمية تعلم معزز، طبيب الذكاء الاصطناعي، لعلاج الإنتان المخصص، كما نُشر في مجلة Nature Biomedical Engineering. تتعلم هذه الخوارزمية باستمرار من بيانات المرضى واستجابات العلاج لتعديل الأنظمة العلاجية بشكل ديناميكي، مما يؤدي إلى تحسين نتائج المرضى مقارنة بالبروتوكولات القياسية. علاوة على ذلك، يمكّن النمذجة التنبؤية المدعومة بالذكاء الاصطناعي من إدارة الرعاية الصحية بشكل استباقي من خلال تحديد المرضى المعرضين لخطر كبير لتطوير حالات معينة. أظهر تشوي وآخرون استخدام نماذج الشبكات العصبية المتكررة، طبيب الذكاء الاصطناعي، للكشف المبكر عن بداية فشل القلب. دراستهم، التي نُشرت في مجلة جمعية المعلوماتية الطبية الأمريكية، تُظهر دور الذكاء الاصطناعي في التدخلات الاستباقية لتقليل المخاطر وتحسين نتائج المرضى.

تطبيق آخر ملحوظ وناجح بشكل متزايد هو كفاءة أنظمة دعم اتخاذ القرار السريري المدفوعة بالذكاء الاصطناعي في التنبؤ بالمخاطر والتدخل المبكر، مما يسهل على الأطباء توقع ومعالجة التهديدات الصحية المحتملة قبل أن تتطور إلى حالات خطيرة. من خلال الاستفادة من خوارزميات التعلم الآلي وبيانات المرضى في الوقت الحقيقي، تقوم هذه الأنظمة بتصنيف المرضى بناءً على ملفاتهم الشخصية للمخاطر، مما يسمح بالتدخلات المستهدفة وتخصيص الموارد. كانت نماذج التعلم العميق فعالة في التنبؤ بالأحداث القلبية الوعائية لدى المرضى المصابين بالسكري، كما أظهره تشوي وآخرون. [11]. توضح دراستهم قدرة الذكاء الاصطناعي على تحليل السجلات الصحية الإلكترونية وتحديد الأفراد بدقة الذين هم في خطر مرتفع لتطوير مضاعفات قلبية وعائية، مما يمكّن
تدخلات في الوقت المناسب لمنع النتائج السلبية. وبالمثل، يمكن أن تسهل أنظمة دعم القرار السريري المدفوعة بالذكاء الاصطناعي الكشف المبكر عن الأمراض من خلال التعرف على الأنماط الدقيقة التي تشير إلى العمليات المرضية. طور ريو وآخرون نموذج CNN قادر على التنبؤ باعتلال الشبكية السكري من صور OCTA بدقة ، مما يبرز إمكانيات الذكاء الاصطناعي في تسهيل التدخلات في الوقت المناسب لمنع الأضرار غير القابلة للإصلاح وتحسين نتائج المرضى [17].

تطبيقات الذكاء الاصطناعي ضمن أنظمة دعم القرار السريري: التوثيق السريري

آخر ما في هذه القائمة، ولكنه لا يغطي كل شيء، هو التوثيق السريري، وهو جانب حاسم ولكنه يستغرق وقتًا طويلاً في تقديم الرعاية الصحية، وغالبًا ما يثقل كاهل الأطباء بأعباء ورقية ومهام توثيق واسعة. تقدم تقنيات الذكاء الاصطناعي حلولًا لتبسيط عمليات التوثيق، مما يسمح للأطباء بالتركيز أكثر على رعاية المرضى. تقوم خوارزميات معالجة اللغة الطبيعية بأتمتة التوثيق السريري من خلال استخراج المعلومات ذات الصلة من الملاحظات السريرية غير المنظمة وملء السجلات الصحية الإلكترونية ببيانات منظمة. قام نوتاكي وآخرون بتقييم استخدام معالجة اللغة الطبيعية لأتمتة التوثيق السريري في ملاحظات قسم الطوارئ، مما أظهر توفيرًا كبيرًا في الوقت للأطباء دون المساس بجودة التوثيق [18]. علاوة على ذلك، يدمج نظام دعم القرار السريري المدعوم بالذكاء الاصطناعي قدرات التعرف على الصوت وفهم اللغة الطبيعية لتمكين التوثيق في الوقت الحقيقي أثناء لقاءات المرضى. من خلال دمج مهام التوثيق بسلاسة في سير العمل السريري، تعزز هذه الأنظمة الكفاءة والدقة بينما تحسن الجودة العامة لرعاية المرضى.

لا شك أن نطاق وعمق أنظمة دعم القرار السريري المدفوعة بالذكاء الاصطناعي واسع، يمتد إلى ما هو أبعد من التطبيقات القليلة التي تم تناولها في هذا الاستعراض ويشمل طيفًا واسعًا ضمن قطاع الرعاية الصحية. هذه التطبيقات ليست مجرد واسعة، بل هي تحويلية، تعيد تعريف المشهد السريري والطبي بشكل جذري. لقد أدت إلى عصر من الكفاءات غير المسبوقة، مما يعزز بشكل ملحوظ إنتاجية سير العمل، ويحرر الأطباء لتكريس المزيد من الوقت لرعاية المرضى، ويزيد من دقة التشخيص، ويخفف من الأخطاء المحتملة. وهذا يؤدي في النهاية إلى تحسين نتائج المرضى. تشير هذه النقلة النوعية إلى فجر حقبة جديدة في الطب الدقيق، شهادة على القوة التحويلية للذكاء الاصطناعي في الرعاية الصحية.

بالنظر إلى ما سبق، من الضروري أن نسأل ما إذا كانت دمج الذكاء الاصطناعي ضمن أنظمة دعم القرار السريري هو مجرد مزيج من الخوارزميات والآلات، أم أنه يتعمق أكثر، متشابكًا مع الديناميات المعقدة للتفاعل البشري؟ إن دور الذكاء الاصطناعي في الرعاية الصحية يتجاوز حدود التكنولوجيا، متقاطعًا مع التجربة الإنسانية بطرق مختلفة. هذا التقاطع ليس مجرد مفترق طرق بسيط، بل هو تبادل معقد حيث يلتقي الأطباء الذين يستخدمون أنظمة دعم القرار السريري المدفوعة بالذكاء الاصطناعي لاتخاذ القرارات مع المرضى الذين يستفيدون من التشخيصات والعلاجات المعززة بالذكاء الاصطناعي. إن الواجهة بين الذكاء الاصطناعي والعوامل البشرية ضمن أنظمة دعم القرار السريري ليست ثابتة، بل هي مشهد متطور. وتضيف الاعتبارات القانونية والأخلاقية التي ترافق تنفيذ الذكاء الاصطناعي في الرعاية الصحية مزيدًا من التعقيد إلى هذا التفاعل. في ما يلي، نستكشف التفاعل المعقد بين تكنولوجيا الذكاء الاصطناعي والعنصر البشري في أنظمة دعم القرار السريري، مع examining implications for clinical practice, patient care, and societal ethics. وسط عمليات الرعاية الصحية، وخاصة ضمن أنظمة دعم القرار السريري المدفوعة بالذكاء الاصطناعي، فإن دور الذكاء الاصطناعي لا يتعلق فقط بالتقدم التكنولوجي ولكن أيضًا بكيفية تكامله مع التجربة الإنسانية وتأثيره عليها. لذلك، يعتبر التصميم المتمحور حول الإنسان (HCD) والتقييم جوانب أساسية لضمان أن أنظمة دعم القرار السريري المدفوعة بالذكاء الاصطناعي لا تعمل بفعالية فحسب، بل يتم قبولها وثقتها من قبل المهنيين في الرعاية الصحية والمرضى على حد سواء.

نظام دعم اتخاذ القرار السريري القائم على الذكاء الاصطناعي الموجه نحو المستخدم: تصميم متمركز حول المستخدم

تصميم متمركز حول المستخدم (UCD) هو مبدأ أساسي يضع احتياجات وتفضيلات وقيود المستخدمين النهائيين في مقدمة تطوير الأنظمة. في سياق أنظمة دعم القرار السريري المعتمدة على الذكاء الاصطناعي (AI-CDSS)، فإن اعتماد نهج UCD أمر بالغ الأهمية لتصميم أنظمة تكون بديهية وفعالة وسهلة الاستخدام لمقدمي الرعاية الصحية. من خلال إشراك المستخدمين النهائيين، بما في ذلك الأطباء والممرضين وغيرهم من المهنيين في مجال الرعاية الصحية، طوال عملية التصميم والتطوير، يمكن أن تتماشى AI-CDSS بشكل أفضل مع سير العمل والتفضيلات واحتياجات اتخاذ القرار السريري لديهم. إن إشراك المستخدمين النهائيين في عملية التصميم أمر حيوي لضمان أن تلبي AI-CDSS احتياجاتهم وتفضيلاتهم. من خلال الانخراط النشط مع الأطباء وغيرهم من أصحاب المصلحة، يمكننا إنشاء أنظمة تعزز بدلاً من تعطل سير العمل السريري. علاوة على ذلك، فإن دمج الملاحظات من المستخدمين النهائيين من خلال دورات تصميم تكرارية يمكّن المطورين من تحسين AI-CDSS بشكل تكراري، ومعالجة مشكلات قابلية الاستخدام، وتحسين أداء النظام، وزيادة رضا المستخدم. توجه مبادئ واجهة المستخدم المتمركزة حول المستخدم، مثل البساطة والاتساق والتكرار المدفوع بالملاحظات، تطوير واجهات AI-CDSS ووظائفها، مما يعزز قبول المستخدمين واعتمادهم في البيئات السريرية.

من ناحية أخرى، يعد عامل آخر رئيسي في تشجيع قبول المستخدمين واعتمادهم هو أهمية سماع الملاحظات وفهم تجارب الأطباء مع أنظمة دعم القرار السريري المعتمدة على الذكاء الاصطناعي. هذا أمر أساسي لتقييم قابلية استخدام النظام، وتحديد تحديات سير العمل، وتقييم التأثير على تقديم رعاية المرضى. تؤثر تصورات الأطباء ومواقفهم وتفاعلاتهم مع الأدوات المدفوعة بالذكاء الاصطناعي على قبولهم واستخدامهم في الممارسة السريرية الواقعية. لذلك، فإن إجراء دراسات نوعية، واستطلاعات، ومقابلات
يمكن أن يوفر التعاون مع المتخصصين في الرعاية الصحية رؤى قيمة حول تجاربهم وتحدياتهم وتوقعاتهم بشأن اعتماد أنظمة دعم القرار السريري المعتمدة على الذكاء الاصطناعي. تختلف تجارب الأطباء مع أنظمة دعم القرار السريري المعتمدة على الذكاء الاصطناعي بشكل كبير، متأثرة بعوامل مثل سهولة استخدام النظام، وفائدته المدركة، وتوافقه مع سير العمل السريري. من خلال طلب الملاحظات من المستخدمين النهائيين، يمكننا تحديد مجالات التحسين وتعزيز تجربة المستخدم [20]. يمكن أن تُعلم ملاحظات الأطباء التحسينات التكرارية لواجهات أنظمة دعم القرار السريري المعتمدة على الذكاء الاصطناعي، والخوارزميات، ووظائف دعم القرار، مما يضمن تلبيتها للاحتياجات والتفضيلات المتنوعة لمقدمي الرعاية الصحية عبر تخصصات وإعدادات رعاية مختلفة. علاوة على ذلك، فإن تعزيز ثقافة التعاون والت co-creation بين المطورين والمستخدمين النهائيين يسهل تطوير أنظمة دعم القرار السريري المعتمدة على الذكاء الاصطناعي التي لا تكون قوية من الناحية التكنولوجية فحسب، بل أيضًا ذات صلة سريرية ومركزة على المستخدم.

أنظمة دعم القرار السريري المعتمدة على الذكاء الاصطناعي: سهولة الاستخدام والثقة

ومع ذلك، فإن معالجة العوامل الحرجة مثل سهولة الاستخدام والثقة واعتبارات سير العمل أمر بالغ الأهمية لاعتماد واستخدام أنظمة دعم القرار السريري المعتمدة على الذكاء الاصطناعي بشكل فعال في الممارسة السريرية. يعتمد المتخصصون في الرعاية الصحية على الأدوات المدفوعة بالذكاء الاصطناعي لدعم عمليات اتخاذ القرار، وتبسيط سير العمل، وتحسين نتائج المرضى. لذلك، فإن ضمان أن تكون أنظمة دعم القرار السريري المعتمدة على الذكاء الاصطناعي بديهية وموثوقة ومتكاملة بسلاسة في سير العمل السريري الحالي أمر ضروري لنجاح تنفيذها واستخدامها. تعتبر سهولة الاستخدام مفتاحًا لاعتماد أنظمة دعم القرار السريري المعتمدة على الذكاء الاصطناعي في الممارسة السريرية. يجب تصميم الأنظمة مع وضع المستخدم النهائي في الاعتبار، مع الأخذ في الاعتبار سير العمل، والعبء المعرفي، وتفضيلات التفاعل لتعظيم سهولة الاستخدام ورضا المستخدم. وأخيرًا، ولكن ربما الأهم، نصل إلى حجر الزاوية في قبول واعتماد ممارسي الرعاية الصحية: الثقة. في الواقع، في مجال الصحة واتخاذ القرار السريري، تعتبر الثقة الأساس الذي يعتمد عليه المتخصصون في الرعاية الصحية. يتطلب بناء الثقة في أنظمة دعم القرار السريري المعتمدة على الذكاء الاصطناعي بين مقدمي الرعاية الصحية الشفافية، والعقلانية، والمساءلة في تصميم النظام وتشغيله. وبالتالي، يجب على الأطباء أن يفهموا فعليًا كيف تولد خوارزميات الذكاء الاصطناعي التوصيات، والأدلة الأساسية التي تدعم تلك التوصيات، والقيود والشكوك الكامنة في مثل هذه التنبؤات المدفوعة بالذكاء الاصطناعي. إن توفير الوصول إلى الإرشادات السريرية ذات الصلة، وأسباب دعم القرار، ومقاييس الأداء يعزز الثقة في أنظمة دعم القرار السريري المعتمدة على الذكاء الاصطناعي ويعزز قبولها واعتمادها في الإعدادات السريرية.

أنظمة دعم القرار السريري المعتمدة على الذكاء الاصطناعي: الآثار الأخلاقية والقانونية

ومع ذلك، هل كل شيء يتعلق بالإنسان؟ ليس تمامًا. عندما نتعمق أكثر في تكنولوجيا الرعاية الصحية، يصبح واضحًا دائمًا أن المنظور الاجتماعي يلعب دورًا حاسمًا في تشكيل تأثير أنظمة دعم القرار السريري المعتمدة على الذكاء الاصطناعي. تتجاوز التفاعلات الفردية، وتلوح في الأفق اعتبارات قانونية وأخلاقية أوسع، تشكل مشهد الابتكار في الرعاية الصحية. مع استمرار انتشار تقنيات الذكاء الاصطناعي في الرعاية الصحية، فإن معالجة الآثار الأخلاقية والقانونية أمر بالغ الأهمية لضمان سلامة المرضى وخصوصيتهم واستقلالهم. تثير أنظمة دعم القرار السريري المعتمدة على الذكاء الاصطناعي معضلات أخلاقية معقدة تتعلق بخصوصية البيانات، والتحيز الخوارزمي، والشفافية، والمساءلة، والموافقة المستنيرة. يجب على منظمات الرعاية الصحية التنقل عبر الأطر التنظيمية، مثل قانون قابلية نقل ومساءلة التأمين الصحي (HIPAA) في الولايات المتحدة أو اللائحة العامة لحماية البيانات (GDPR) في الاتحاد الأوروبي، لحماية بيانات المرضى وضمان الامتثال لقوانين حماية البيانات. تعتبر الاعتبارات الأخلاقية مركزية في التطوير والنشر المسؤولين لأنظمة دعم القرار السريري المعتمدة على الذكاء الاصطناعي. يجب على منظمات الرعاية الصحية إعطاء الأولوية لخصوصية المرضى، واستقلالهم، وسلامتهم، مع تعزيز المساواة، والعدالة، والشفافية في عمليات اتخاذ القرار المدفوعة بالذكاء الاصطناعي. علاوة على ذلك، فإن معالجة التحيز الخوارزمي والعدالة أمر ضروري للتخفيف من الفجوات في نتائج الرعاية الصحية وضمان الوصول العادل إلى دعم القرار المدفوع بالذكاء الاصطناعي. يجب على منظمات الرعاية الصحية تنفيذ استراتيجيات قوية للكشف عن التحيز والتخفيف منه ومراقبته في خوارزميات الذكاء الاصطناعي، بما في ذلك تقنيات معالجة البيانات المسبقة، وتدقيق الخوارزميات، وطرق تقييم النماذج المدركة للتحيز. بالإضافة إلى ذلك، فإن تعزيز ثقافة الوعي الأخلاقي والمساءلة بين المطورين والأطباء وصانعي السياسات أمر حاسم للتنقل عبر التعقيدات الأخلاقية لأنظمة دعم القرار السريري المعتمدة على الذكاء الاصطناعي وتعزيز الابتكار المسؤول في الرعاية الصحية. في الختام، تعتبر تصميم تجربة المستخدم والتقييم أمرين أساسيين لدمج تقنيات الذكاء الاصطناعي بنجاح في أنظمة دعم القرار السريري. من خلال إعطاء الأولوية لاحتياجات المستخدم، ودمج ملاحظات الأطباء، ومعالجة سهولة الاستخدام والثقة واعتبارات سير العمل، والتنقل عبر الآثار الأخلاقية والقانونية، يمكن لمنظمات الرعاية الصحية تطوير أنظمة دعم القرار السريري المعتمدة على الذكاء الاصطناعي التي تعزز اتخاذ القرار السريري، وتحسن نتائج المرضى، وتعزز الاستخدام المسؤول والأخلاقي للذكاء الاصطناعي في تقديم الرعاية الصحية [21-24].

في المشهد المتطور باستمرار للرعاية الصحية، تظهر أنظمة دعم القرار السريري المعتمدة على الذكاء الاصطناعي الآن كمنارة أمل، مستعدة لإعادة تعريف تقديم الرعاية الطبية. ومع ذلك، وسط إمكانياتها الواعدة، تكمن تحديات متعددة الأوجه تتطلب اهتمامًا دقيقًا وحلًا استراتيجيًا. الرحلة نحو استغلال الإمكانات الكاملة لأنظمة دعم القرار السريري المعتمدة على الذكاء الاصطناعي مثقلة بالتعقيدات التقنية، وتعقيدات سير العمل، والتصورات الاجتماعية، وكلها تتطلب استكشافًا شاملاً وتوجيهًا استراتيجيًا. في ما يلي، سنبدأ بإيجاز مراجعة مختصرة للتحديات والفرص المتشابكة ضمن مجال أنظمة دعم القرار السريري المعتمدة على الذكاء الاصطناعي. من التعامل مع القيود التقنية الكامنة في خوارزميات الذكاء الاصطناعي إلى تنظيم التكامل السلس ضمن سير العمل السريري الحالي، يكشف كل جانب عن تعقيداته الخاصة، مما يستدعي توضيحًا ثاقبًا. علاوة على ذلك، فإن الحواجز السلوكية المتجذرة في نظام الرعاية الصحية تتطلب اعتبارًا عميقًا، مما يبرز الدور الضروري للتحولات الثقافية وموافقة أصحاب المصلحة في تعزيز اعتماد أنظمة دعم القرار السريري المعتمدة على الذكاء الاصطناعي بشكل مستدام. بينما نتنقل عبر هذه التحديات، لا نسير وحدنا. يظهر التعاون بين التخصصات كحجر الزاوية، مما يدفعنا نحو حلول مبتكرة ويشكل مسار
الرعاية الصحية المدفوعة بالذكاء الاصطناعي. من خلال تعزيز التآزر عبر مجالات متنوعة – من علوم الكمبيوتر إلى الممارسة السريرية، ومن الأخلاق إلى الهندسة – يمكننا تمهيد الطريق لمستقبل حيث لا تعزز أنظمة دعم القرار السريري المعتمدة على الذكاء الاصطناعي اتخاذ القرار السريري فحسب، بل تتجاوز أيضًا الحدود، مما يثري جودة الرعاية المقدمة للمرضى في جميع أنحاء العالم.

الرحلة القادمة: معالجة التحديات

على الرغم من التقدم في تقنيات الذكاء الاصطناعي، فإن العديد من القيود التقنية قد تعيق دائمًا التكامل السلس للذكاء الاصطناعي في أنظمة دعم القرار السريري. تظل قابلية تفسير خوارزميات الذكاء الاصطناعي مصدر قلق كبير، خاصة في الرعاية الصحية، حيث تؤثر القرارات التي تتخذها أنظمة الذكاء الاصطناعي مباشرة على رعاية المرضى. تعمل نماذج التعلم العميق، على الرغم من قوتها في قدراتها التنبؤية، غالبًا كصناديق سوداء، مما يجعل من الصعب على الأطباء فهم المنطق وراء التوصيات المدفوعة بالذكاء الاصطناعي. يتطلب معالجة تحدي قابلية التفسير تطوير تقنيات الذكاء الاصطناعي القابلة للتفسير التي توضح كيف تصل خوارزميات الذكاء الاصطناعي إلى استنتاجات معينة. ناقش سميث وآخرون التحدي الذي يأتي مع قابلية تفسير أنظمة دعم القرار السريري المدعومة بالذكاء الاصطناعي للأطباء. وأشاروا إلى أنه بينما يتم تقديم “قابلية التفسير” بشكل متكرر كمبدأ مهم للاستخدام الجيد للذكاء الاصطناعي، فإنه من الصعب استنباط مستوى كافٍ من التفسير لأسس المخرجات من تلك الأنظمة المبنية على التعلم الآلي. كما أبرزوا أن المنطق وراء توصيات أنظمة دعم القرار السريري المدعومة بالذكاء الاصطناعي غالبًا ما يبقى غامضًا، مما يثير تساؤلات حول الاستخدام السريري المناسب ويقترح نهجًا احترازيًا حيث يُسمح فقط للأطباء الذين لديهم معرفة مثبتة بالتخصص السريري المعني باستخدام توصيات الذكاء الاصطناعي. علاوة على ذلك، لا يزال التحيز في خوارزميات الذكاء الاصطناعي، كما تم مناقشته سابقًا، يشكل تحديًا كبيرًا آخر، مما قد يؤدي إلى تفاقم الفجوات في تقديم الرعاية الصحية. يمكن أن تؤدي التحيزات الموجودة في بيانات التدريب أو تصميم الخوارزميات إلى توقعات خاطئة وتساهم في عدم المساواة في نتائج المرضى. يتطلب التخفيف من هذا التحيز، كما أكد أوبيرماير وآخرون، جهدًا دؤوبًا ومستمرًا في تنسيق البيانات، وتدقيق الخوارزميات، وتنفيذ تقنيات التعلم الآلي التي تأخذ في الاعتبار العدالة لضمان أن تحافظ أنظمة دعم القرار السريري المدعومة بالذكاء الاصطناعي على مبادئ العدالة والمساواة عبر مجموعات المرضى المتنوعة.

عائق كبير آخر يحمل أهمية كبيرة هو حقيقة أن التكامل الناجح لأنظمة دعم القرار السريري المدعومة بالذكاء الاصطناعي في سير العمل السريري يعتمد على توافق التقدم التكنولوجي مع الواقع التشغيلي لبيئات الرعاية الصحية. المقاومة للتغيير، وعدم الألفة مع تقنيات الذكاء الاصطناعي، والمخاوف بشأن تعطيل سير العمل هي حواجز سلوكية شائعة تواجه أثناء اعتماد أنظمة دعم القرار السريري المدعومة بالذكاء الاصطناعي. قد يرى الأطباء الذكاء الاصطناعي كتهديد لاستقلاليتهم أو حكمهم المهني، مما يؤدي إلى تردد في تبني أدوات دعم القرار المدفوعة بالذكاء الاصطناعي. يتطلب معالجة توافق سير العمل فهمًا دقيقًا للبيئة السريرية والتحديات الفريدة التي يواجهها مقدمو الرعاية الصحية. يمكن أن يساعد التصميم الموجه نحو المستخدم، وبرامج التدريب، ومبادرات إدارة التغيير في التخفيف من المقاومة وتسهيل التكامل السلس لأنظمة دعم القرار السريري المدعومة بالذكاء الاصطناعي في سير العمل السريري. وأخيرًا، ولكن ليس آخرًا، فإن وجود بيانات معزولة داخل أنظمة الرعاية الصحية يمثل تحديًا كبيرًا آخر أمام التنفيذ الواسع لأنظمة دعم القرار السريري المدعومة بالذكاء الاصطناعي؛ يتطلب دمج الأدوات المدفوعة بالذكاء الاصطناعي مع أنظمة السجلات الصحية الإلكترونية الحالية، والأجهزة الطبية، وسير العمل السريري تنسيقات بيانات موحدة، ومعايير التوافق، وأطر حوكمة بيانات قوية. يتطلب التغلب على هذه الحواجز التقنية التعاون بين المؤسسات الصحية، وبائعي التكنولوجيا، والهيئات التنظيمية لإنشاء بنية تحتية قابلة للتشغيل المتبادل وتعزيز مبادرات تبادل البيانات.

لتحقيق الإمكانات الكاملة للذكاء الاصطناعي في تحويل تقديم الرعاية الصحية، يجب على أصحاب المصلحة استخدام استراتيجيات متعددة الأوجه للتغلب على التحديات الحالية وتسهيل اعتماد أنظمة دعم القرار السريري المدعومة بالذكاء الاصطناعي بنجاح. تلعب برامج التعليم والتدريب دورًا حاسمًا في تعريف المهنيين الصحيين بتقنيات الذكاء الاصطناعي، وتعزيز الثقافة الرقمية، وزرع الثقة في استخدام أدوات دعم القرار المدفوعة بالذكاء الاصطناعي في الممارسة السريرية. يعد الاستثمار في التعليم والتدريب أمرًا حيويًا لإعداد المهنيين الصحيين لمستقبل الرعاية الصحية المدفوع بالذكاء الاصطناعي. يدعم ذلك الدراسة التي أجراها بانيرجي وآخرون، والتي وجدت أن الأطباء المتدربين لديهم تصور إيجابي بشكل عام عن تأثير تقنيات الذكاء الاصطناعي على التدريب السريري وهم متفائلون بشأن إمكاناتها لتحسين مهارات “البحث وتحسين الجودة” وتسهيل “تخطيط المناهج الدراسية”. توصي الدراسة أيضًا بتقنين مواضيع “الذكاء الاصطناعي التطبيقي” في المناهج الدراسية واستغلال التقنيات الرقمية لتقديم التعليم السريري. يتماشى ذلك مع الحاجة إلى برامج التعلم المستمر، وورش العمل العملية، والتعاون بين التخصصات لتمكين الأطباء من استغلال القدرات الكاملة لأنظمة دعم القرار السريري المدعومة بالذكاء الاصطناعي واستخدامها لتحسين نتائج رعاية المرضى. علاوة على ذلك، يسهل التعاون بين التخصصات بين الأطباء، وعلماء البيانات، والمهندسين، وصانعي السياسات إنشاء حلول مدفوعة بالذكاء الاصطناعي مصممة لتلبية الاحتياجات والتحديات الفريدة لتقديم الرعاية الصحية. في هذا السياق، أكدت العديد من الدراسات، بما في ذلك البحث الذي أجراه سلام وآخرون، على الحاجة المتزايدة لأساليب تقييم صارمة وموحدة في ظل التطور السريع لتقنيات الذكاء الاصطناعي في قطاع الرعاية الصحية. تؤكد هذه الدراسات على أهمية معايير مثل الاكتمال، وغياب المعلومات الخاطئة، ودعم الأدلة، والملاءمة، والصلة في ضمان فعالية وموثوقية الحلول المدفوعة بالذكاء الاصطناعي. من خلال الالتزام بمثل هذه المعايير، يمكن للفرق متعددة التخصصات تطوير أنظمة دعم القرار السريري المدعومة بالذكاء الاصطناعي التي لا تكون ذات صلة سريرية فحسب، بل أخلاقية وقابلة للتوسع عبر بيئات الرعاية الصحية المتنوعة، ولكن أيضًا يتم تقييمها بدقة لتلبية أعلى معايير الجودة والموثوقية.

بشكل أساسي، بينما يحمل الذكاء الاصطناعي وعدًا هائلًا في تحويل أنظمة دعم القرار السريري، فإن معالجة التحديات الكامنة ورسم الاتجاهات المستقبلية تتطلب جهدًا منسقًا من أصحاب المصلحة عبر نظام الرعاية الصحية. من خلال
الاعتراف بالقيود التقنية، ومعالجة توافق سير العمل والحواجز السلوكية، وتنفيذ استراتيجيات للاعتماد الناجح، واحتضان التعاون بين التخصصات، يمكننا التنقل في تعقيدات أنظمة دعم القرار السريري المدعومة بالذكاء الاصطناعي وإطلاق إمكاناتها الكاملة في ثورة تقديم الرعاية الصحية.

في المشهد الديناميكي للرعاية الصحية، يقدم تكامل الذكاء الاصطناعي مع أنظمة دعم القرار السريري فرصًا لا مثيل لها لثورة رعاية المرضى، والنتائج السريرية، والابتكار. تناولت هذه المراجعة الدور المحوري للذكاء الاصطناعي في إعادة تشكيل أنظمة دعم القرار السريري، وتقنياته الأساسية، والاعتبارات الإنسانية، والتحديات، والمسارات المستقبلية. يمكّن الذكاء الاصطناعي، الذي يتكون من خوارزميات التعلم الآلي، ومعالجة اللغة الطبيعية، ونماذج التعلم العميق، أنظمة دعم القرار السريري من تحليل بيانات معقدة وواسعة بسرعة وكفاءة، واستخراج الرؤى، وتعزيز اتخاذ القرار السريري عبر مجالات متنوعة. ومع ذلك، فإن دمج الذكاء الاصطناعي في أنظمة دعم القرار السريري يطرح عدة تحديات، بما في ذلك القيود التقنية، والتحيز في الذكاء الاصطناعي، والمخاوف بشأن قابلية تفسير خوارزميات الذكاء الاصطناعي التي تعمل كصناديق سوداء غامضة، مما يعيق فهم الأطباء للتوصيات المدفوعة بالذكاء الاصطناعي. يتطلب معالجة هذه التحديات تطوير تقنيات الذكاء الاصطناعي القابلة للتفسير لتوضيح عمليات اتخاذ القرار وتنفيذ الذكاء الاصطناعي الذي يأخذ في الاعتبار العدالة للتخفيف من التحيز. علاوة على ذلك، فإن توافق أنظمة دعم القرار السريري المدعومة بالذكاء الاصطناعي مع سير العمل السريري ومعالجة الحواجز السلوكية بين المهنيين الصحيين أمر ضروري للاعتماد الناجح. أخيرًا، بينما يمكن أن تعزز مبادرات التعليم والتدريب الثقافة الرقمية بين المهنيين الصحيين، فإن التعاون بين التخصصات أمر أساسي لتعزيز تطوير حلول أنظمة دعم القرار السريري المدعومة بالذكاء الاصطناعي ذات الصلة سريريًا وقابلة للتوسع. من خلال الاعتراف بهذه التحديات ونشر استراتيجيات متعددة الأوجه لمعالجتها، يمكن للمجتمع الصحي الأوسع أن يستفيد بشكل فعال من إمكانات أنظمة دعم القرار السريري المدعومة بالذكاء الاصطناعي لثورة تقديم الرعاية الصحية.

راجع جميع المؤلفين النسخة النهائية التي ستُنشر ووافقوا على تحمل المسؤولية عن جميع جوانب العمل.

المفهوم والتصميم: مالك الحداد

اكتساب البيانات أو تحليلها أو تفسيرها: مالك الحداد، سارة حمام

صياغة المخطوطة: مالك الحداد
مراجعة نقدية للمخطوطة من حيث المحتوى الفكري الهام: مالك الحداد، سارة حمام

الإشراف: سارة حمام

تعارض المصالح: وفقًا لنموذج الإفصاح الموحد ICMJE، يعلن جميع المؤلفين ما يلي: معلومات الدفع/الخدمات: أعلن جميع المؤلفين أنهم لم يتلقوا أي دعم مالي من أي منظمة للعمل المقدم. العلاقات المالية: أعلن جميع المؤلفين أنهم ليس لديهم أي علاقات مالية حاليًا أو خلال السنوات الثلاث الماضية مع أي منظمات قد تكون لها مصلحة في العمل المقدم. علاقات أخرى: أعلن جميع المؤلفين أنه لا توجد علاقات أو أنشطة أخرى قد تبدو أنها أثرت على العمل المقدم.

Res. 2011, 12:2493-537.
10. Miotto R, Wang F, Wang S, Jiang X, Dudley JT: Deep learning for healthcare: review, opportunities and challenges. Brief Bioinform. 2018, 19:1236-46. 10.1093/bib/bbx044
11. Choi E, Bahadori MT, Schuetz A, et al.: Doctor Ai: Predicting clinical events via recurrent neural networks . JMLR Workshop Conf Proc. 2016, 56:301-18.
12. Lakhani P, Sundaram B: Deep learning at chest radiography: automated classification of pulmonary tuberculosis by using convolutional neural networks. Radiology. 2017, 284:574-82. 10.1148/radiol. 2017162326
13. Obermeyer Z, Powers B, Vogeli C, Mullainathan S: Dissecting racial bias in an algorithm used to manage the health of populations. Science. 2019, 366:447-53. 10.1126/science.aax2342
14. Understanding HIPAA & AI: compliance risks & possibilities . (2023). Accessed: March 18, 2024: https://aihc-assn.org/ai-and-hipaa-privacy-concerns/.
15. Gholipour M, Khajouei R, Amiri P, Hajesmaeel Gohari S, Ahmadian L: Extracting cancer concepts from clinical notes using natural language processing: a systematic review. BMC Bioinformatics. 2023, 24:405. 10.1186/s12859-023-05480-0
16. Komorowski M, Celi LA, Badawi O, Gordon AC, Faisal AA: The Artificial Intelligence Clinician learns optimal treatment strategies for sepsis in intensive care. Nat Med. 2018, 24:1716-20. 10.1038/s41591-018-0213-5
17. Ryu G, Lee K, Park D, Park SH, Sagong M: A deep learning model for identifying diabetic retinopathy using optical coherence tomography angiography. Sci Rep. 2021, 11:23024. 10.1038/s41598-021-02479-6
18. Natural language processing of MIMIC-III clinical notes for identifying diagnosis and procedures with neural networks. (2019). Accessed: December 28, 2019: https://arxiv.org/abs/1912.12397.
19. Bazzano AN, Martin J, Hicks E, Faughnan M, Murphy L: Human-centred design in global health: a scoping review of applications and contexts. PLoS One. 2017, 12:e0186744. 10.1371/journal.pone. 0186744
20. Wang L, Zhang Z, Wang D, et al.: Human-centered design and evaluation of AI-empowered clinical decision support systems: a systematic review. Frontiers Comput Sci. 2023, 5. 10.3389/fcomp. 2023. 1187299
21. Heyen NB, Salloch S: The ethics of machine learning-based clinical decision support: an analysis through the lens of professionalisation theory. BMC Med Ethics. 2021, 22:112. 10.1186/s12910-021-00679-3
22. Jones C, Thornton J, Wyatt JC: Artificial intelligence and clinical decision support: clinicians’ perspectives on trust, trustworthiness, and liability. Med Law Rev. 2023, 31:501-20. 10.1093/medlaw/fwad013
23. Lagioia F, Contissa G: The strange case of Dr Watson: liability implications of AI evidence-based decision support systems in health care. Eur J Legal Stud. 2020, 12:245-89.
24. Spector-Bagdady K, Rahimzadeh V, Jaffe K, Moreno J: Promoting ethical deployment of artificial intelligence and machine learning in healthcare. Am J Bioeth. 2022, 22:4-7. 10.1080/15265161.2022.2059206
25. Golden G, Popescu C, Israel S, et al.: Applying artificial intelligence to clinical decision support in mental health: what have we learned?. Health Policy Technol. 2024, 100844. 10.1016/j.hlpt.2024.100844
26. Smith H, Downer J, Ives J: Clinicians and AI use: where is the professional guidance? . J Med Ethics. 2023, 10.1136/jme-2022-108831
27. Mittermaier M, Raza M, Kvedar JC: Collaborative strategies for deploying AI-based physician decision support systems: challenges and deployment approaches. NPJ Digit Med. 2023, 6:137. 10.1038/s41746-023-00889-6
28. Fairness and bias in artificial intelligence: a brief survey of sources, impacts, and mitigation strategies . (2023). Accessed: October 27, 2023: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4615421.
29. Shamszare H, Choudhury A: Clinicians’ perceptions of artificial intelligence: focus on workload, risk, trust, clinical decision making, and clinical integration. Healthcare (Basel). 2023, 11:2308. 10.3390/healthcare11162308
30. Banerjee M, Chiew D, Patel KT, et al.: The impact of artificial intelligence on clinical education: perceptions of postgraduate trainee doctors in London (UK) and recommendations for trainers. BMC Med Educ. 2021, 21:429. 10.1186/s12909-021-02870-x
31. Sallam M, Barakat M, Sallam M: Pilot testing of a tool to standardize the assessment of the quality of health information generated by artificial intelligence-based models. Cureus. 2023, 15:e49373.
10.7759/cureus. 49373

Review began 03/28/2024
Review ended 04/02/2024
Published 04/06/2024
© Copyright 2024
Elhaddad et al. This is an open access article distributed under the terms of the Creative Commons Attribution License CCBY 4.0., which permits unrestricted use, distribution, and reproduction in any medium, provided the original author and source are credited.

Categories: Quality Improvement, Healthcare Technology, Health Policy
Keywords: ai bias, interpretability, user-centric interface, deep learning models, natural language processing (nlp), convolutional neural networks (cnn), recurrent neural networks, machine learning algorithms, artificial intelligence (ai), clinical decision support systems (cdss)

Imagine having a virtual assistant right by your side, equipped with the latest medical knowledge and ready to help you make the best decisions for your patients. That’s precisely what Clinical Decision Support Systems (CDSS), interpreted as the computer programs that assist healthcare professionals in making medical decisions, represent: a pivotal advancement in healthcare, integrating technological prowess with medical expertise to augment clinical decision-making processes. These systems are designed to provide healthcare professionals with actionable insights, evidence-based recommendations, and patient-specific information at the point of care, thereby enhancing diagnostic accuracy, treatment efficacy, and patient outcomes. CDSS operates on a foundation of medical knowledge, algorithms, and patient data, aiming to bridge the gap between vast medical information and timely, informed clinical decisions. At its core, CDSS serves as a cognitive aid, assisting clinicians in navigating the complexities of modern medicine. It analyzes patient data, medical literature, and best practices to offer tailored suggestions, reminders, and alerts to healthcare providers during the care delivery process. The significance of CDSS lies in its potential to mitigate diagnostic errors, optimize treatment plans, reduce healthcare costs, and ultimately, improve patient safety and quality of care. According to the Agency for Healthcare Research and Quality (AHRQ), CDSS interventions have been shown to enhance healthcare quality by facilitating adherence to clinical guidelines, reducing medication errors, and minimizing adverse drug events [1]. Moreover, Chen et al. emphasized the versatility and widespread applicability of CDSS, demonstrating its utility across various healthcare settings, ranging from primary care clinics to intensive care units [2].

In recent years, the integration of artificial intelligence (AI) has propelled CDSS into a new era of sophistication and effectiveness. AI technologies, including machine learning, natural language processing (NLP), and deep learning, have revolutionized the capabilities of CDSS, enabling it to process and interpret vast amounts of healthcare data with unprecedented speed and accuracy. Machine learning algorithms, a branch of AI that teaches computers to learn from data and improve their performance over time without
being explicitly programmed, such as neural networks and decision trees, empower CDSS to discern patterns, recognize correlations, and derive insights from complex datasets [3]. These algorithms continuously learn from new data inputs, refining their predictive capabilities and adapting to evolving clinical scenarios. Consequently, CDSS powered by machine learning can offer personalized recommendations tailored to individual patient needs, enhancing clinical decision-making and patient outcomes [4]. Likewise, NLP, another subset of AI that focuses on enabling computers to understand, interpret, and generate human language in a way that is meaningful and useful, has emerged as a cornerstone of AI-driven CDSS, enabling the extraction and analysis of valuable information from unstructured clinical text, including electronic health records (EHRs), medical notes, and research literature. By transforming free-text data into structured formats, NLP facilitates semantic understanding, information retrieval, and knowledge extraction, empowering CDSS to derive actionable insights from diverse sources of clinical information. Another AI technology that represents a move up in this contest is the deep learning models, a subset of machine learning that involves neural networks with multiple layers, hence the term “deep”. Deep learning models, characterized by their multi-layered neural architectures, have further expanded the capabilities of AI-driven CDSS, particularly in image analysis, pattern recognition, and predictive modeling [3,5]. In their research focused on Dermatologist-level classification of skin cancer, Esteva et al. showed that deep convolutional neural networks (CNNs) achieve performance on par with all tested experts, demonstrating an AI capable of classifying skin cancer with a level of competence comparable to dermatologists [6].

The purpose of this review article is to explore the role and potential of AI in transforming CDSS. By examining current research, practical applications, and emerging trends, this article aims to elucidate the symbiotic relationship between AI technologies and CDSS, delineating their collective impact on healthcare delivery, clinical decision-making, and patient outcomes. Through an in-depth analysis of AI technologies, applications, human-centered considerations, challenges, and future directions, this review seeks to inform healthcare professionals, researchers, policymakers, and stakeholders about the transformative possibilities and complexities inherent in the convergence of AI and CDSS. In essence, this review serves as a roadmap for understanding the past, present, and future trajectory of AI-driven CDSS, illuminating the opportunities, challenges, and ethical considerations that accompany this paradigm shift in healthcare delivery and decision support.

AI has recently emerged as a transformative force in healthcare, particularly in the realm of CDSS. Leveraging advanced computational techniques, AI augments healthcare professionals’ decision-making processes, thereby enhancing patient care delivery and outcomes. To begin with, we will briefly outline the three key AI technologies propelling innovation within CDSS, delineating their unique characteristics before proceeding to explore each in greater depth: machine learning algorithms, NLP, and deep learning models. Think of them as super smart assistants that crunch vast amounts of patient data to predict future health issues and suggest the best course of action, Machine learning algorithms empower CDSS to analyze patient data and make predictions, aiding in diagnosis and treatment planning. NLP allows CDSS to extract insights from clinical text, streamlining documentation and facilitating data retrieval. Deep learning models, an even more advanced form of machine learning that excels at finding complex patterns, automate complex pattern extraction from diverse medical data, including images and sequential data like ECGs, enhancing diagnostic accuracy and personalized patient care. Each of these technologies brings unique capabilities, from predictive analytics with machine learning to text analysis with NLP and intricate data pattern recognition with deep learning, all aimed at improving healthcare decision-making and patient outcomes.

Machine learning algorithms serve as the cornerstone of modern CDSS, empowering healthcare providers with predictive analytics capabilities and decision-making support. These algorithms enable CDSS to process and analyze vast volumes of patient data, including EHRs, medical imaging, and genomic information, to extract meaningful insights and inform clinical decisions. Neural Networks, Decision Tree algorithms, Support Vector Machines (SVMs), Bayesian Networks, and Ensemble Learning Methods represent distinct classes of machine learning algorithms. While each falls under the broader category of machine learning, they employ unique methodologies and techniques for learning from data and making predictions. Neural networks, a class of machine learning models inspired by the structure and functioning of the human brain, have gained prominence in CDSS for their ability to learn complex patterns from data. CNNs, in particular, excel in medical image analysis tasks, such as identifying abnormalities in radiological scans and detecting lesions in histopathological images. Studies have demonstrated the efficacy of CNNbased CDSS in improving diagnostic accuracy and facilitating early disease detection [5,6]. Decision Tree (DT) algorithms represent another class of machine learning techniques widely employed in CDSS. These algorithms construct a tree-like structure to model decision paths based on input variables, enabling healthcare providers to navigate complex clinical scenarios and formulate personalized treatment plans. Random Forests and Gradient Boosting Machines are popular DT algorithms known for their robustness and predictive performance in healthcare applications [7]. Moreover, Support Vector Machines (SVMs), Bayesian

Networks, and ensemble learning methods are among the diverse repertoire of machine learning algorithms utilized in CDSS to address various clinical challenges, including disease diagnosis, risk stratification, and treatment optimization [8]. By harnessing the power of machine learning, CDSS can leverage historical patient data to anticipate future health outcomes and tailor interventions to individual patient needs.

NLP, on the other hand, plays a pivotal role in unlocking insights from unstructured clinical text, such as physician notes, discharge summaries, and medical literature. With the proliferation of EHRs and digital health platforms, healthcare organizations are inundated with textual data, presenting both opportunities and challenges for leveraging this information effectively. NLP algorithms enable CDSS to parse, interpret, and extract relevant information from clinical narratives, facilitating automated clinical documentation, coding, and information retrieval. These algorithms leverage linguistic analysis techniques to identify clinical concepts, extract structured data elements, and populate structured databases, thereby streamlining clinical workflows and enhancing data interoperability [9]. As one of the key NLP tasks, sentiment analysis refers to the computational process of discerning and analyzing the emotional nuances expressed within textual data. In essence, it involves the systematic examination of text to determine the underlying sentiments or attitudes conveyed by the author, or speaker. This can encompass a spectrum of emotions, including but not limited to positive, negative, or neutral sentiments. Sentiment analysis algorithms often utilize various techniques, such as machine learning and linguistic analysis, to identify and categorize the emotional tone of the text accurately. It plays a crucial role in NLP by enabling the automated extraction and interpretation of emotional content from textual data, thereby facilitating a deeper understanding of human communication and behavior. On the other hand, there exists another pivotal NLP task known as entity recognition, which serves to identify and categorize specific entities such as names, dates, and medical terminology within the textual corpus. Information extraction, meanwhile, is centered on the systematic retrieval of structured data from unstructured text, facilitating the extraction of vital clinical facts and treatment plans. These fundamental NLP tasks collectively equip CDSS with the capability to meticulously analyze textual data, thus empowering healthcare professionals with actionable insights essential for informed decision-making. By analyzing the sentiment and tone of clinical narratives, NLP algorithms can discern patient attitudes, preferences, and treatment adherence patterns, thereby informing personalized care plans and patient engagement strategies.

Finally, deep learning, a subset of machine learning, has revolutionized CDSS by enabling the automatic extraction of complex patterns and representations from heterogeneous medical data sources. Unlike traditional machine learning algorithms, which require handcrafted features and domain-specific knowledge, deep learning models learn hierarchical representations of data through multiple layers of interconnected neurons, enabling them to capture intricate relationships and nuances in medical datasets [10]. CNNs, originally developed for image processing tasks, have been adapted for various medical imaging applications, including lesion detection, organ segmentation, and disease classification [6]. By leveraging hierarchical feature extraction and spatial hierarchies, CNN-based CDSS can utilize advanced computational techniques to analyze medical images in-depth. These systems are adept at detecting nuanced abnormalities within the images, demonstrating both high sensitivity and specificity in their diagnostic capabilities. The hierarchical feature extraction process involves the identification of various image features at multiple levels of abstraction, enabling the system to discern subtle details indicative of abnormalities. Additionally, spatial hierarchies are leveraged to understand the spatial relationships between different image features, further enhancing the system’s ability to accurately interpret complex medical images. By employing these sophisticated techniques, CNN-based CDSS systems serve as invaluable tools for radiologists and clinicians, providing them with enhanced support in the diagnostic decisionmaking process. Their capability to identify subtle abnormalities with precision aids in early detection and accurate diagnosis, ultimately leading to improved patient outcomes. Similarly, Recurrent Neural Networks (RNNs) and their variants, such as long short-term memory (LSTM) networks, excel in processing sequential data modalities, such as electrocardiograms (ECGs), electroencephalograms (EEGs), and clinical time-series data. Choi et al. and Lakhani and Sundaram have both highlighted the capabilities of RNN-based CDSS being able to model temporal dependencies, detect anomalous patterns, and predict clinical outcomes, thereby facilitating early intervention and personalized patient care . The potential of deep learning models in CDSS extends beyond medical imaging and time-series data analysis to encompass clinical NLP, genomics, and personalized medicine. By integrating multimodal data sources and leveraging advanced neural network architectures, CDSS can provide holistic insights into patient health status, facilitate early disease detection, and optimize treatment strategies tailored to individual patient profiles.

While these AI technologies hold immense promise for transforming CDSS and improving healthcare delivery, their integration into clinical practice is fraught with challenges that must be addressed to ensure their effectiveness, safety, and ethical use. These challenges include technical limitations, regulatory constraints, ethical considerations, and organizational barriers that impact the adoption and scalability of AI-driven CDSS. One of the main challenges associated with AI integration in CDSS is the interpretability
and transparency of AI models. For example, deep learning models, characterized by their complex architectures and black-box nature, pose challenges for clinicians and healthcare providers seeking to understand the rationale behind AI-driven recommendations and predictions. Moreover, the generalizability and robustness of many AI models across diverse patient populations, clinical settings, and data modalities represent critical challenges in CDSS. AI algorithms trained on biased or unrepresentative datasets may exhibit performance disparities across demographic groups or clinical subpopulations, leading to disparities in healthcare outcomes and exacerbating existing health inequities. In their detailed examination of racial bias in an algorithm used to manage the health of populations, Obermeyer et al. underscored the necessity of mitigating bias, ensuring algorithmic fairness, and promoting inclusivity in AI-driven CDSS [13]. The achievement of these goals is contingent upon rigorous data collection, validation, and algorithmic auditing processes. Furthermore, regulatory constraints and privacy concerns pose significant hurdles to the widespread adoption of AI-driven CDSS in healthcare. Compliance with regulatory frameworks, such as the Health Insurance Portability and Accountability Act (HIPAA) in the United States or the General Data Protection Regulation (GDPR) in the European Union, is essential to safeguard patient privacy, confidentiality, and data security. Additionally, navigating the regulatory landscape governing medical device approvals, software validation, and CDSS poses challenges for healthcare organizations and technology vendors seeking to deploy AI-driven solutions in clinical practice [14].

The integration of AI has significantly reshaped CDSS, offering innovative solutions that optimize patient care and streamline clinical workflows. Through the application of advanced algorithms and machine learning techniques, AI-driven CDSS empowers healthcare professionals by providing invaluable insights and assistance across various facets of medical practice. From diagnostic support to personalized treatment recommendations, proactive risk prediction, and the facilitation of clinical documentation, AI in CDSS revolutionizes traditional approaches, paving the way for a new era of precision medicine as will be examined hereafter in more detail.

One of the most impactful applications of AI-driven CDSS is in providing diagnostic support. AI algorithms, particularly deep learning models, have shown remarkable capabilities in analyzing medical images, such as X-rays, MRIs, and histopathology slides, thereby assisting clinicians in making accurate diagnoses. For instance, Esteva et al. showcased the potential of deep neural networks in dermatology diagnostics by achieving dermatologist-level classification of skin cancer from dermoscopic images [6]. Their study, which was published in Nature Medicine, highlighted the effectiveness of AI in enhancing diagnostic accuracy and improving patient outcomes. Furthermore, NLP techniques enable AI systems to extract valuable insights from unstructured clinical notes, thereby facilitating a comprehensive understanding of patient conditions. For instance, Gholipour et al. demonstrated the utility of NLP in identifying cancer concepts by extracting relevant information from clinical notes [15]. Their findings, published in a systematic review, underscore the significant role of AI in augmenting diagnostic precision through text analysis. This review systematically examined studies that used NLP methods to identify cancer concepts from clinical notes automatically, highlighting the potential of AI in the field of oncology [15].

AI-CDSS extends beyond simply analyzing data support in the diagnosis, but it also reveals its potential for personalized treatment recommendations tailored to individual patient characteristics. This revolutionizes traditional approaches to healthcare delivery by leveraging a holistic view of each patient. By analyzing diverse patient data, including genetic profiles, medical histories, and treatment outcomes, AI algorithms can identify optimal treatment strategies that optimize efficacy and minimize risks. Komorowski et al. introduced a reinforcement learning algorithm, AI clinician, for personalized sepsis treatment, as published in Nature Biomedical Engineering [16]. This algorithm continuously learns from patient data and treatment responses to dynamically adjust therapeutic regimens, resulting in improved patient outcomes compared to standard protocols. Moreover, predictive modeling powered by AI enables proactive healthcare management by identifying patients at high risk of developing specific conditions. Choi et al. demonstrated the use of RNN models, Doctor AI, for early detection of heart failure onset [11]. Their study, published in the Journal of the American Medical Informatics Association, exemplifies AI’s role in pre-emptive interventions to mitigate risks and improve patient outcomes.

Another notable and increasingly successful application is the proficiency of AI-driven CDSS in risk prediction and early intervention, facilitating clinicians in foreseeing and addressing potential health threats before they develop into severe conditions. By leveraging machine learning algorithms and real-time patient data, these systems stratify patients based on their risk profiles, allowing for targeted interventions and resource allocation. Deep learning models have been instrumental in predicting cardiovascular events in patients with diabetes, as demonstrated by Choi et al. [11]. Their study showcases AI’s ability to analyze EHRs and accurately identify individuals at high risk of developing cardiovascular complications, enabling
timely interventions to prevent adverse outcomes. Similarly, AI-driven CDSS can facilitate the early detection of diseases through the recognition of subtle patterns indicative of pathological processes. Ryu et al. developed a CNN model capable of predicting diabetic retinopathy from OCTA images with an accuracy of , underscoring AI’s potential in facilitating timely interventions to prevent irreversible damage and improve patient outcomes [17].

AI Applications Within CDSS: Clinical Documentation

Last in this list, but not covering everything, is clinical documentation, a critical yet time-consuming aspect of healthcare delivery, often burdening clinicians with extensive paperwork and documentation tasks. AI technologies offer solutions to streamline documentation processes, allowing clinicians to focus more on patient care. NLP algorithms automate clinical documentation by extracting relevant information from unstructured clinical notes and populating EHRs with structured data. Nuthakki et al. evaluated the use of NLP for automating clinical documentation in emergency department notes, demonstrating significant time savings for clinicians without compromising documentation quality [18]. Furthermore, AI-driven CDSS integrates voice recognition and natural language understanding capabilities to enable real-time documentation during patient encounters. By seamlessly integrating documentation tasks into clinical workflows, these systems enhance efficiency and accuracy while improving the overall quality of patient care.

Undeniably, the breadth and depth of AI-driven CDSS is vast, extending well beyond the few applications touched upon in this review and spanning a broad spectrum within the healthcare sector. These applications are not merely expansive, but transformative, fundamentally redefining the landscape of clinical and medical practice. They have ushered in an era of unparalleled efficiencies, markedly enhancing workflow productivity, liberating clinicians to devote more time to patient care, augmenting diagnostic precision, and mitigating potential errors. This ultimately culminates in improved patient outcomes. This paradigm shift signals the dawn of a new epoch in precision medicine, a testament to the transformative power of AI in healthcare.

Given the earlier, it is crucial to ask if the integration of AI within CDSS is merely a blend of algorithms and machines, or does it go deeper, intertwining with the intricate dynamics of human interaction? The role of AI in healthcare transcends the boundaries of technology, intersecting with the human experience in different ways. This intersection is not a simple crossroad, but a complex interchange where clinicians leveraging AI-driven CDSS for decision-making meet patients benefiting from AI-enhanced diagnostics and treatments. The interface between AI and human factors within CDSS is not static, but an evolving landscape. Adding to this complexity are the legal and ethical considerations that accompany the implementation of AI in healthcare, layering further intricacy to this interplay. In the following, we explore the intricate interplay between AI technology and the human element in CDSS, examining its implications for clinical practice, patient care, and societal ethics. Amidst healthcare operations, particularly within AIdriven CDSS, the role of AI is not just about technological advancement but also about how it integrates with and impacts the human experience. Human-centered design (HCD) and evaluation are therefore considered integral aspects of ensuring that AI-driven CDSS not only function effectively but are also accepted and trusted by healthcare professionals and patients alike.

User-Centric AI-CDSS: User-Centered Design

User-centered design (UCD) is a fundamental principle that places the needs, preferences, and limitations of end-users at the forefront of system development. In the context of AI-CDSS, adopting a UCD approach is paramount to designing systems that are intuitive, efficient, and user-friendly for healthcare providers. By involving end-users, including clinicians, nurses, and other healthcare professionals, throughout the design and development process, AI-CDSS can better align with their workflow, preferences, and clinical decisionmaking needs. Involving end-users in the design process is crucial for ensuring that AI-CDSS meets their needs and preferences. By actively engaging clinicians and other stakeholders, we can create systems that enhance rather than disrupt clinical workflows [19]. Moreover, incorporating feedback from end-users through iterative design cycles enables developers to refine AI-CDSS iteratively, addressing usability issues, improving system performance, and enhancing user satisfaction. User-centric interface principles, such as simplicity, consistency, and feedback-driven iteration, guide the development of AI-CDSS interfaces and functionalities, fostering user acceptance and adoption in clinical settings.

On the other hand, another key factor in encouraging user acceptance and adoption is the importance of hearing feedback and understanding clinician experiences with AI-CDSS. This is essential for evaluating system usability, identifying workflow challenges, and assessing the impact on patient care delivery. Clinicians’ perceptions, attitudes, and interactions with AI-driven tools influence their acceptance and utilization in real-world clinical practice. Therefore, conducting qualitative studies, surveys, and interviews
with healthcare professionals can provide valuable insights into their experiences, challenges, and expectations regarding AI-CDSS adoption. Clinicians’ experiences with AI-CDSS vary widely, influenced by factors such as system usability, perceived usefulness, and alignment with clinical workflows. By soliciting feedback from end-users, we can identify areas for improvement and enhance the user experience [20]. Clinician feedback can inform iterative refinements to AI-CDSS interfaces, algorithms, and decision support functionalities, ensuring that they meet the diverse needs and preferences of healthcare providers across different specialties and care settings. Moreover, fostering a culture of collaboration and co-creation between developers and end-users facilitates the development of AI-CDSS that are not only technologically robust but also clinically relevant and user-centric.

User-Centric AI-CDSS: Usability and Trust

That said, addressing critical factors such as usability, trust, and workflow considerations is therefore paramount to the effective adoption and utilization of AI-CDSS in clinical practice. Healthcare professionals rely on AI-driven tools to support their decision-making processes, streamline workflows, and improve patient outcomes. Therefore, ensuring that AI-CDSS is intuitive, reliable, and seamlessly integrated into existing clinical workflows is essential for their successful implementation and utilization. Usability is key to the adoption of AI-CDSS in clinical practice. Systems must be designed with the end-user in mind, taking into account their workflow, cognitive load, and interaction preferences to maximize usability and user satisfaction. Lastly, but perhaps most significantly, we arrive at the cornerstone of healthcare practitioners’ acceptance and adoption: trust. Indeed, in the domain of health and clinical decision-making, trust stands as the bedrock upon which healthcare professionals rely. Establishing trust in AI-CDSS among healthcare providers requires transparency, rationality, and accountability in system design and operation. Thus, clinicians must actually understand how AI algorithms generate recommendations, the underlying evidence supporting those recommendations, and the limitations and uncertainties inherent in such AI-driven predictions. Providing clinicians with access to relevant clinical guidelines, decision support rationales, and performance metrics enhances trust in AI-CDSS and fosters their acceptance and adoption in clinical settings.

User-Centric AI-CDSS: Ethical and Legal Implications

However, is it all about the human? Not quite. As we delve deeper into healthcare technology, it always becomes evident that the societal perspective plays a crucial role in shaping the AI-CDSS impact. Beyond individual interactions, broader legal and ethical considerations loom large, shaping the landscape of healthcare innovation. As AI technologies continue to proliferate in healthcare, addressing ethical and legal implications is paramount to ensuring patient safety, privacy, and autonomy. AI-CDSS raises complex ethical dilemmas related to data privacy, algorithmic bias, transparency, accountability, and informed consent. Healthcare organizations must navigate regulatory frameworks, such as the Health Insurance Portability and Accountability Act (HIPAA) in the United States or the General Data Protection Regulation (GDPR) in the European Union, to safeguard patient data and ensure compliance with data protection laws. Ethical considerations are central to the responsible development and deployment of AI-CDSS. Healthcare organizations must prioritize patient privacy, autonomy, and safety, while also promoting equity, fairness, and transparency in AI-driven decision-making processes. Moreover, addressing algorithmic bias and fairness is essential for mitigating disparities in healthcare outcomes and ensuring equitable access to AIdriven decision support. Healthcare organizations must implement robust strategies for detecting, mitigating, and monitoring bias in AI algorithms, including data preprocessing techniques, algorithmic auditing, and bias-aware model evaluation methods. Additionally, fostering a culture of ethical awareness and accountability among developers, clinicians, and policymakers is critical for navigating the ethical complexities of AI-CDSS and promoting responsible innovation in healthcare. In conclusion, HCD and evaluation are essential for the successful integration of AI technologies into CDSS. By prioritizing user needs, incorporating clinician feedback, addressing usability, trust, and workflow considerations, and navigating ethical and legal implications, healthcare organizations can develop AI-CDSS that enhance clinical decision-making, improve patient outcomes, and promote the responsible and ethical use of AI in healthcare delivery [21-24].

In the ever-evolving landscape of healthcare, AI-CDSS now emerges as a beacon of hope, poised to redefine medical care delivery. Yet, amid its promising potential, lie multifaceted challenges that demand meticulous attention and strategic resolution. The journey towards harnessing the full potential of AI-CDSS is laden with technical intricacies, workflow intricacies, and societal perceptions, all of which necessitate comprehensive exploration and strategic navigation. In the following, we will briefly embark on a concise review of the challenges and opportunities entwined within the domain of AI-CDSS. From grappling with the technical limitations inherent in AI algorithms to orchestrating seamless integration within existing clinical workflows, each facet unveils its own complexities, beckoning for insightful elucidation. Moreover, the attitudinal barriers entrenched within the healthcare ecosystem demand profound consideration, emphasizing the indispensable role of cultural shifts and stakeholder buy-in in fostering sustainable AICDSS adoption. As we navigate through these challenges, we do not tread alone. Interdisciplinary collaboration emerges as a cornerstone, propelling us towards innovative solutions and shaping the
trajectory of AI-driven healthcare. By fostering synergies across diverse domains – from computer science to clinical practice, from ethics to engineering – we can pave the way for a future where AI-CDSS not only augments clinical decision-making but also transcends boundaries, enriching the quality of care delivered to patients worldwide.

The Journey Ahead: Addressing Challenges

Despite the advancements in AI technologies, several technical limitations might always hinder the seamless integration of AI into CDSS. Interpretability of AI algorithms remains a significant concern, particularly in healthcare, where the decisions made by AI systems directly impact patient care. Deep learning models, while powerful in their predictive capabilities, often operate as black boxes, making it challenging for clinicians to understand the rationale behind AI-driven recommendations. Addressing the interpretability challenge requires the development of explainable AI techniques that elucidate how AI algorithms arrive at specific conclusions. Smith et al. discussed the challenge that comes with the interpretability of AI-CDSS for clinicians. They noted that while “explainability” is frequently offered as an important principle for good AI use, it is challenging to elicit an adequate level of explanation for the basis of outputs from those AI-CDSSs built on machine learning. They further highlighted that the reasoning behind AI-CDSS recommendations often remains opaque, raising questions about appropriate clinical use and suggesting a precautionary approach where only clinicians with proven knowledge of the clinical specialty in question are permitted to use AI recommendations [25,26]. Furthermore, bias in AI algorithms, as discussed earlier, still poses another significant challenge, potentially exacerbating disparities in healthcare delivery. Biases inherent in training data or algorithmic design can lead to erroneous predictions and contribute to inequities in patient outcomes. Mitigating such bias, as emphasized by Obermeyer et al. and Ferrara, requires diligent and continuous data curation, algorithmic auditing, and the implementation of fairness-aware machine learning techniques to ensure that AI-CDSS uphold principles of fairness and equity across diverse patient populations [13,27,28].

Another substantial obstacle that carries considerable significance is the reality that the successful integration of AI-CDSS into clinical workflows hinges on aligning technological advancements with the operational realities of healthcare settings. Resistance to change, lack of familiarity with AI technologies, and concerns regarding workflow disruption are common attitudinal barriers encountered during the adoption of AI-CDSS. Clinicians may perceive AI as a threat to their autonomy or professional judgment, leading to reluctance to embrace AI-driven decision-support tools. Addressing workflow alignment requires a nuanced understanding of the clinical environment and the unique challenges faced by healthcare providers. User-centric design, training programs, and change management initiatives can mitigate resistance and facilitate the seamless integration of AI-CDSS into clinical workflows [25,29]. Last, but certainly not least, data silos within healthcare systems present another significant challenge to the widespread implementation of AI-CDSS; Integrating AI-driven tools with existing EHR systems, medical devices, and clinical workflows necessitates standardized data formats, interoperability standards, and robust data governance frameworks. Overcoming these technical barriers necessitates collaboration between healthcare institutions, technology vendors, and regulatory bodies to establish interoperable infrastructure and promote data-sharing initiatives.

To realize the full potential of AI in transforming healthcare delivery, stakeholders must employ multifaceted strategies to overcome existing challenges and facilitate the successful adoption of AI-CDSS. Education and training programs play a crucial role in familiarizing healthcare professionals with AI technologies, fostering digital literacy, and instilling confidence in utilizing AI-driven decision-support tools in clinical practice. Investing in education and training is crucial for preparing healthcare professionals for the AI-driven future of healthcare. This is supported by the study by Banerjee et al., which found that trainee doctors have an overall positive perception of AI technologies’ impact on clinical training and are optimistic about its potential to improve “research and quality improvement” skills and facilitate “curriculum mapping.” The study also recommends formalizing “Applied AI” topics in curricula and leveraging digital technologies to deliver clinical education. This aligns with the need for continuous learning programs, hands-on workshops, and interdisciplinary collaborations to empower clinicians to harness the full capabilities of AI-CDSS and leverage them to improve patient care outcomes [30]. Furthermore, interdisciplinary collaboration between clinicians, data scientists, engineers, and policymakers facilitate the co-creation of AI-driven solutions tailored to the unique needs and challenges of healthcare delivery. In line with this, numerous studies, including the research conducted by Sallam et al., have emphasized the growing need for rigorous and standardized evaluation approaches amidst the rapid development of AI technologies in the healthcare sector. These studies underscore the importance of criteria such as completeness, absence of false information, evidence support, appropriateness, and relevance in ensuring the effectiveness and reliability of AI-driven solutions [31]. By adhering to such criteria, interdisciplinary teams can develop AICDSS that are not only clinically relevant, ethically sound, and scalable across diverse healthcare settings but also rigorously evaluated to meet the highest standards of quality and reliability.

In essence, while AI holds immense promise for transforming CDSS, addressing the inherent challenges, and charting future directions require a concerted effort from stakeholders across the healthcare ecosystem. By
acknowledging technical limitations, addressing workflow alignment and attitudinal barriers, implementing strategies for successful adoption, and embracing interdisciplinary collaboration, we can navigate the complexities of AI-CDSS and unlock its full potential in revolutionizing healthcare delivery [27].

In the dynamic landscape of healthcare, the integration of AI with CDSS presents unparalleled opportunities for revolutionizing patient care, clinical outcomes, and innovation. This review delved into AI’s pivotal role in reshaping CDSS, its underlying technologies, human-centered considerations, challenges, and future trajectories. AI, comprising machine learning algorithms, NLP, and deep learning models, empowers CDSS to quickly, and efficiently analyze intricate vast data, extract insights, and augment clinical decision-making across diverse domains. However, integrating AI into CDSS poses several challenges, including technical limitations, AI bias, and concerns about the interpretability of AI algorithms functioning as opaque black boxes, thereby impeding clinicians’ comprehension of AI-driven recommendations. Addressing these challenges requires the development of explainable AI techniques to elucidate decision-making processes and the implementation of fairness-aware AI to mitigate bias. Furthermore, aligning AI-CDSS with clinical workflows and addressing attitudinal barriers among healthcare professionals is imperative for successful adoption. Finally, while education and training initiatives can enhance digital literacy among healthcare professionals, interdisciplinary collaboration is essential for fostering the development of clinically relevant and scalable AI-CDSS solutions. By acknowledging these challenges and deploying multifaceted strategies to address them, the broader healthcare community can effectively harness the potential of AI-CDSS to revolutionize healthcare delivery.

All authors have reviewed the final version to be published and agreed to be accountable for all aspects of the work.

Concept and design: Malek Elhaddad

Acquisition, analysis, or interpretation of data: Malek Elhaddad, Sara Hamam

Drafting of the manuscript: Malek Elhaddad
Critical review of the manuscript for important intellectual content: Malek Elhaddad, Sara Hamam

Supervision: Sara Hamam

Conflicts of interest: In compliance with the ICMJE uniform disclosure form, all authors declare the following: Payment/services info: All authors have declared that no financial support was received from any organization for the submitted work. Financial relationships: All authors have declared that they have no financial relationships at present or within the previous three years with any organizations that might have an interest in the submitted work. Other relationships: All authors have declared that there are no other relationships or activities that could appear to have influenced the submitted work.

Res. 2011, 12:2493-537.
10. Miotto R, Wang F, Wang S, Jiang X, Dudley JT: Deep learning for healthcare: review, opportunities and challenges. Brief Bioinform. 2018, 19:1236-46. 10.1093/bib/bbx044
11. Choi E, Bahadori MT, Schuetz A, et al.: Doctor Ai: Predicting clinical events via recurrent neural networks . JMLR Workshop Conf Proc. 2016, 56:301-18.
12. Lakhani P, Sundaram B: Deep learning at chest radiography: automated classification of pulmonary tuberculosis by using convolutional neural networks. Radiology. 2017, 284:574-82. 10.1148/radiol. 2017162326
13. Obermeyer Z, Powers B, Vogeli C, Mullainathan S: Dissecting racial bias in an algorithm used to manage the health of populations. Science. 2019, 366:447-53. 10.1126/science.aax2342
14. Understanding HIPAA & AI: compliance risks & possibilities . (2023). Accessed: March 18, 2024: https://aihc-assn.org/ai-and-hipaa-privacy-concerns/.
15. Gholipour M, Khajouei R, Amiri P, Hajesmaeel Gohari S, Ahmadian L: Extracting cancer concepts from clinical notes using natural language processing: a systematic review. BMC Bioinformatics. 2023, 24:405. 10.1186/s12859-023-05480-0
16. Komorowski M, Celi LA, Badawi O, Gordon AC, Faisal AA: The Artificial Intelligence Clinician learns optimal treatment strategies for sepsis in intensive care. Nat Med. 2018, 24:1716-20. 10.1038/s41591-018-0213-5
17. Ryu G, Lee K, Park D, Park SH, Sagong M: A deep learning model for identifying diabetic retinopathy using optical coherence tomography angiography. Sci Rep. 2021, 11:23024. 10.1038/s41598-021-02479-6
18. Natural language processing of MIMIC-III clinical notes for identifying diagnosis and procedures with neural networks. (2019). Accessed: December 28, 2019: https://arxiv.org/abs/1912.12397.
19. Bazzano AN, Martin J, Hicks E, Faughnan M, Murphy L: Human-centred design in global health: a scoping review of applications and contexts. PLoS One. 2017, 12:e0186744. 10.1371/journal.pone. 0186744
20. Wang L, Zhang Z, Wang D, et al.: Human-centered design and evaluation of AI-empowered clinical decision support systems: a systematic review. Frontiers Comput Sci. 2023, 5. 10.3389/fcomp. 2023. 1187299
21. Heyen NB, Salloch S: The ethics of machine learning-based clinical decision support: an analysis through the lens of professionalisation theory. BMC Med Ethics. 2021, 22:112. 10.1186/s12910-021-00679-3
22. Jones C, Thornton J, Wyatt JC: Artificial intelligence and clinical decision support: clinicians’ perspectives on trust, trustworthiness, and liability. Med Law Rev. 2023, 31:501-20. 10.1093/medlaw/fwad013
23. Lagioia F, Contissa G: The strange case of Dr Watson: liability implications of AI evidence-based decision support systems in health care. Eur J Legal Stud. 2020, 12:245-89.
24. Spector-Bagdady K, Rahimzadeh V, Jaffe K, Moreno J: Promoting ethical deployment of artificial intelligence and machine learning in healthcare. Am J Bioeth. 2022, 22:4-7. 10.1080/15265161.2022.2059206
25. Golden G, Popescu C, Israel S, et al.: Applying artificial intelligence to clinical decision support in mental health: what have we learned?. Health Policy Technol. 2024, 100844. 10.1016/j.hlpt.2024.100844
26. Smith H, Downer J, Ives J: Clinicians and AI use: where is the professional guidance? . J Med Ethics. 2023, 10.1136/jme-2022-108831
27. Mittermaier M, Raza M, Kvedar JC: Collaborative strategies for deploying AI-based physician decision support systems: challenges and deployment approaches. NPJ Digit Med. 2023, 6:137. 10.1038/s41746-023-00889-6
28. Fairness and bias in artificial intelligence: a brief survey of sources, impacts, and mitigation strategies . (2023). Accessed: October 27, 2023: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4615421.
29. Shamszare H, Choudhury A: Clinicians’ perceptions of artificial intelligence: focus on workload, risk, trust, clinical decision making, and clinical integration. Healthcare (Basel). 2023, 11:2308. 10.3390/healthcare11162308
30. Banerjee M, Chiew D, Patel KT, et al.: The impact of artificial intelligence on clinical education: perceptions of postgraduate trainee doctors in London (UK) and recommendations for trainers. BMC Med Educ. 2021, 21:429. 10.1186/s12909-021-02870-x
31. Sallam M, Barakat M, Sallam M: Pilot testing of a tool to standardize the assessment of the quality of health information generated by artificial intelligence-based models. Cureus. 2023, 15:e49373.
10.7759/cureus. 49373