 |
Preclinical research = Recherche préclinique
Target identification = Identification des cibles Molecular generation = Génération de formules moléculaires Clinical trials = Essais cliniques Drug efficacy = Efficacité du médicament Adverse events = Evénements indésirables Biomarker detection = Identification de biomarqueurs Patient care = Soins prodigués au patient Drug prioritization = Priorisation des traitements médicamenteux Patient readmission = Réadmission du patient Diagnostics = Diagnostic Dermatology = Dermatologie Radiology = Radiologie Pathology = Pathologie |
Les actionnaires dans tous les secteurs des soins
de santé cherchent à incorporer l’intelligence artificielle (IA) dans leur
processus de prise de décision. Des étapes précoces dans la découverte de
médicaments jusqu’aux systèmes d’aide à la décision clinique, nous avons des
exemples de la façon dont l’IA peut à la fois en améliorer l’efficacité et en
réduire les coûts. Dans cet article d’Opinion, nous discutons de certains des
facteurs clé qui pourraient être priorisés pour permettre l’intégration réussie
de l’IA dans la chaîne de valeur santé toute entière. En particulier, nous
croyons que la concentration des efforts sur un modèle d’interprétabilité est
cruciale pour une compréhension plus profonde des mécanismes biologiques
sous-jacents et pour guider nos futures investigations. De plus, nous discutons de l’importance de l’intégration
de divers types de données dans toutes les structures d’IA existantes, dans le
but de limiter les biais, d’augmenter la précision, et modéliser la nature
interdisciplinaire de la médecine. Nous pensons que la l’adoption généralisée
de ces pratiques aidera à l’accélération de l’intégration continue de l’IA dans
le cadre actuel des soins de santé. Coryandar Gilvary, et al, dans Trends in
Parmacological Sciences, publication en ligne en avant-première, 2 juillet 2019
Source iconographique, légendaire et rédactionnelle :
Science Direct / Traduction et
adaptation : NZ
