Résumé
Una de las mayores complejidades que se presentan respecto de la responsabilidad civil por daños causados por sistemas de inteligencia artificial viene dada por la dificultad de atribuir la conducta que causa daño a un sujeto particular. Frente a ello, este artículo expone la importancia del principio ético de la intervención humana para la responsabilidad civil, cuya función consiste en constituir la guía para la interpretación y aplicación de sus reglas en los casos en los que, como resultado de una acción u omisión emanada de una decisión, recomendación o predicción realizada por un sistema de inteligencia artificial, se causen daños a las personas.
One of the main challenges associated with regard to civil liability for damages resulting from artificial intelligence systems is the difficulty of attributing the behavior that led to harm to a specific individual. The aim of this article is to highlight the significance of the ethical principle of human intervention for civil liability. This principle serves as a guide for interpreting and applying rules when artificial intelligence systems cause harm to individuals due to actions, decisions, recommendations or predictions.
Uma das maiores complexidades que se apresentam a respeito da responsabilidade civil por danos causados por sistemas de inteligência artificial vem dada pela dificuldade de atribuir a conduta que causa dano a um sujeito particular. Frente a isso, este artigo expõe a importância do princípio ético da intervenção humana para a responsabilidade civil, cuja função consiste em constituir uma orientação para a interpretação e aplicação de suas regras nos casos em que, como resultado de uma ação ou omissão emanada de uma decisão, recomendação ou previsão realizada por um sistema de inteligência artificial, se cause danos às pessoas.
Résumé
Introdução: O ChatGPT® é uma ferramenta pública desenvolvida pela OpenAI que utiliza a tecnologia do modelo de linguagem GPT. Este chatbot é capaz de atender a variadas solicitações de texto. Objetivo: avaliar se o ChatGPT® é capaz de ser a única fonte de informação para resolução de provas de Odontologia. Material e métodos: consiste em um estudo transversal quantitativo analítico. Para a coleta de dados, foi elaborada uma prova fictícia constituída por questões do ENADE e de outros concursos públicos. Os participantes responderam a prova em dois momentos: T1, sem o ChatGPT® e, após 15 dias (T2), utilizando-o. A amostra foi de 30 discentes de graduação em Odontologia, divididos igualmente entre 3 grupos: 1º ao 4º semestre, 5º ao 6º semestre e 7º ao 10º semestre. Para análise de dados foram aplicadas análises estatísticas descritiva e inferencial, por meio do software SPSS, com os testes de Wilcoxon e de McNemar. Resultados: revelaram uma eficácia notável do ChatGPT® na resolução de questões discursivas, com 83,3% de taxa de acerto, enquanto os discentes deram mais respostas incorretas ou incompletas. Porém, foram observadas limitações da base de dados do ChatGPT® quanto às questões objetivas. É crucial ressaltar que, apesar de resultados promissores, a aplicação do Chat levanta questões éticas e pedagógicas. Assim, a introdução do ChatGPT® na educação preocupa quanto à validade e equidade nas avaliações, destacando a importância de encontrar equilíbrio entre a inovação tecnológica e a preservação da integridade acadêmica
Introduction: ChatGPT® is a public tool developed by OpenAI that employs the language model technology of GPT. This chatbot is capable of addressing various text-based requests. Objective: To assess whether ChatGPT® can be the sole source of information for resolving Dentistry exams. Materials and Methods: This is an analytical quantitative cross-sectional study. For data collection, a fictitious exam was created, consisting of questions from the National Student Performance Exam (ENADE) and other public competitions. Participants answered the exam at two different times: T1, without ChatGPT®, and, after 15 days (T2), using it. The sample included 30 undergraduate Dentistry students, equally divided into three groups: 1st to 4th semester, 5th to 6th semester, and 7th to 10th semester. Descriptive and inferential statistical analyses were applied using SPSS software, including the Wilcoxon and McNemar tests. Results: They revealed a notable effectiveness of ChatGPT® in resolving essay questions, with an 83.3% accuracy rate, while students provided more incorrect or incomplete answers. However, limitations of the ChatGPT® database were observed regarding objective questions. It is crucial to emphasize that, despite promising results, the application of Chat raises ethical and pedagogical questions. Therefore, the introduction of ChatGPT® in education raises concerns about the validity and fairness of assessments, underscoring the importance of finding a balance between technological innovation and the preservation of academic integrity
Résumé
RESUMEN Los cambios en la educación desafían a los profesores sobre cómo enseñar de la mejor manera y mejorar el desempeño de sus estudiantes. En el caso de la cirugía es necesario adquirir habilidades manuales que reflejen el pensamiento crítico y la capacidad de tomar decisiones en situaciones complejas, de manera rápida y eficaz. Así, la inteligencia artificial (IA) es una nueva herramienta que puede mejorar el desempeño de los estudiantes de grado y posgrado, así como repercutir en mejores desenlaces clínicos. El papel que debe desempeñar la enseñanza tradicional y el futuro de la enseñanza quirúrgica son cuestiones para resolver.
ABSTRACT Educational changes present a challenge for teachers in terms of how to effectively teach and enhance student performance. Surgery demands manual dexterity that reflects critical thinking and the ability to make efficient decisions quickly in complex situations. Artificial Intelligence (AI) is a tool that can enhance the performance of both undergraduate and graduate students and improve clinical outcomes. The role of traditional teaching and the future of surgical education need to be addressed.
Résumé
SUMMARY: The average volumes of normal heart chambers in computed tomography (CT) are used not only as clinical criterions for heart disease diagnosis, but also as references in cardiology. With the development of artificial intelligence (AI), numerous CT data can be analyzed and segmented automatically. This study aimed to determine the average volumes of the four chambers in healthy adult hearts and present surface models with the average volume. Coronary CT angiographs of 508 Korean individuals (330 men and 178 women, 20 - 39 years old) were obtained. An automatic segmentation module for 3D Slicer was developed using machine learning in Anatomage KoreaTM. Using the module, the four chambers and heart valves in the CT were segmented and reconstructed into surface models. Surface models of the four chambers of identical hearts in the CT were produced using SimplewareTM. The volumes of structures were measured using Sim4life Light and statistically analyzed. After determining the average volumes of the four chambers, surface models of the average volumes were constructed. In both software measurements, the atrial volumes of females increased with age, and the ventricular volumes of males decreased significantly with age. The atrial and ventricular volumes of Simpleware were larger and smaller than those of Anatomage, respectively, because of errors in the Simpleware. Regarding the volume measurement, our module developed in this study was more accurate than the Simpleware. The average volume and three-dimensional models used in this study can be used not only for clinical purposes, but also for educational or industrial purposes.
Los volúmenes medios de las cámaras cardíacas normales en la tomografía computarizada (TC) se utilizan no sólo como criterios clínicos para el diagnóstico de enfermedades cardíacas, sino también como referencia en cardiología. Con el desarrollo de la inteligencia artificial (IA), numerosos datos de TC se pueden analizar y segmentar automáticamente. Este estudio tuvo como objetivo determinar los volúmenes promedio de las cuatro cámaras en corazones adultos sanos y presentar modelos de superficie con el volumen promedio. Se obtuvieron angiografías coronarias por TC de 508 individuos coreanos (330 hombres y 178 mujeres, de 20 a 39 años). Se desarrolló un módulo de segmentación automática para 3D Slicer utilizando aprendizaje automático en Anatomage KoreaTM. Utilizando el módulo, las cuatro cámaras y valvas cardíacas de la TC se segmentaron y reconstruyeron en modelos de superficie. Se produjeron modelos de superficie de las cuatro cámaras de corazones idénticos en la TC utilizando SimplewareTM. Los volúmenes de las estructuras se midieron utilizando Sim4life Light y se analizaron estadísticamente. Después de determinar los volúmenes promedio de las cuatro cámaras, se construyeron modelos de superficie de los volúmenes promedio. En ambas mediciones de software, los volúmenes atriales de las mujeres aumentaron con la edad y los volúmenes ventriculares de los hombres disminuyeron significativamente con la edad. Los volúmenes atrial y ventricular de Simpleware eran mayores y menores que los de Anatomage, respectivamente, debido a errores en Simpleware. En cuanto a la medición de volumen, nuestro módulo desarrollado en este estudio fue más preciso que el Simpleware. Los modelos tridimensionales y de volumen medio utilizados en este estudio se pueden utilizar no solo con fines clínicos, sino también con fines educativos o industriales.
Sujets)
Humains , Mâle , Femelle , Adulte , Jeune adulte , Intelligence artificielle , Volume cardiaque , Angiographie par tomodensitométrie , Coeur/imagerie diagnostique , Imagerie tridimensionnelleRésumé
Introduction: Over the past few months, ChatGPT has raised a lot of interest given its ability to perform complex tasks through natural language and conversation. However, its use in clinical decision-making is limited and its application in the field of anesthesiology is unknown. Objective: To assess ChatGPT's basic and clinical reasoning and its learning ability in a performance test on general and specific anesthesia topics. Methods: A three-phase assessment was conducted. Basic knowledge of anesthesia was assessed in the first phase, followed by a review of difficult airway management and, finally, measurement of decision-making ability in ten clinical cases. The second and the third phases were conducted before and after feeding ChatGPT with the 2022 guidelines of the American Society of Anesthesiologists on difficult airway management. Results: On average, ChatGPT succeded 65% of the time in the first phase and 48% of the time in the second phase. Agreement in clinical cases was 20%, with 90% relevance and 10% error rate. After learning, ChatGPT improved in the second phase, and was correct 59% of the time, with agreement in clinical cases also increasing to 40%. Conclusions: ChatGPT showed acceptable accuracy in the basic knowledge test, high relevance in the management of specific difficult airway clinical cases, and the ability to improve after learning.
Introducción: En los últimos meses, ChatGPT ha suscitado un gran interés debido a su capacidad para realizar tareas complejas a través del lenguaje natural y la conversación. Sin embargo, su uso en la toma de decisiones clínicas es limitado y su aplicación en el campo de anestesiología es desconocido. Objetivo: Evaluar el razonamiento básico, clínico y la capacidad de aprendizaje de ChatGPT en una prueba de rendimiento sobre temas generales y específicos de anestesiología. Métodos: Se llevó a cabo una evaluación dividida en tres fases. Se valoraron conocimientos básicos de anestesiología en la primera fase, seguida de una revisión del manejo de vía aérea difícil y, finalmente, se midió la toma de decisiones en diez casos clínicos. La segunda y tercera fases se realizaron antes y después de alimentar a ChatGPT con las guías de la Sociedad Americana de Anestesiólogos del manejo de la vía aérea difícil del 2022. Resultados: ChatGPT obtuvo una tasa de acierto promedio del 65 % en la primera fase y del 48 % en la segunda fase. En los casos clínicos, obtuvo una concordancia del 20 %, una relevancia del 90 % y una tasa de error del 10 %. Posterior al aprendizaje, ChatGPT mejoró su tasa de acierto al 59 % en la segunda fase y aumentó la concordancia al 40 % en los casos clínicos. Conclusiones: ChatGPT demostró una precisión aceptable en la prueba de conocimientos básicos, una alta relevancia en el manejo de los casos clínicos específicos de vía aérea difícil y la capacidad de mejoría secundaria a un aprendizaje.
Résumé
The rapid advancement of Artificial Intelligence (AI) has taken the world by "surprise" due to the lack of regulation over this technological innovation which, while promising application opportunities in different fields of knowledge, including education, simultaneously generates concern, rejection and even fear. In the field of Health Sciences Education, clinical simulation has transformed educational practice; however, its formal insertion is still heterogeneous, and we are now facing a new technological revolution where AI has the potential to transform the way we conceive its application.
El rápido avance de la inteligencia artificial (IA) ha tomado al mundo por "sorpresa" debido a la falta de regulación sobre esta innovación tecnológica, que si bien promete oportunidades de aplicación en diferentes campos del conocimiento, incluido el educativo, también genera preocupación e incluso miedo y rechazo. En el campo de la Educación en Ciencias de la Salud la Simulación Clínica ha transformado la práctica educativa; sin embargo, aún es heterogénea su inserción formal, y ahora nos enfrentamos a una nueva revolución tecnológica, en la que las IA tienen el potencial de transformar la manera en que concebimos su aplicación.
Résumé
En el cruce entre la revolución tecnológica y la educación en ciencias de la rehabilitación y del movimiento humano, la inteligencia artificial (IA) emerge como herramienta transformadora en los cursos de metodología de investigación. Este artículo destaca su potencial para optimizar la experiencia de aprendizaje y personalizar la instrucción, pero enfatiza la necesidad crucial de abordar desafíos éticos y pedagógicos. Propone orientaciones para equilibrar la innovación educativa y la responsabilidad académica, resaltando la importancia de la implementación consciente y planificada de la IA en los equipos de investigación en ciencias de la rehabilitación y del movimiento humano, garantizando así la integridad científica y ética en este campo en constante evolución.
In the intersection between technological advancements and education in rehabilitation science, artificial intelligence (AI) emerges as a transformative tool in research methodology. This article navigates the ethical and academic considerations tied to the incorporation of AI in rehabilitation and movement science courses. While acknowledging its potential to enhance learning experiences, it critically addresses the imperative to tackle ethical and pedagogical challenges. The paper offers guidance to strike a balance between educational innovation and academic responsibility. It emphasizes the need for a conscientious and planned implementation of AI, ensuring both scientific integrity and ethical adherence in this dynamically evolving field.
Résumé
Resumen Antecedentes: Las consultas virtuales aumentaron exponencialmente, pero presentan como limitación la imposibilidad de valorar los signos vitales (SV), siendo especialmente útiles en los pacientes con insuficiencia cardiaca (IC) para titular medicación que modifica pronóstico. Este problema podría potencialmente solucionarse mediante una herramienta que pueda medir la presión arterial (PA) y frecuencia cardiaca (FC) de manera precisa, accesible y remota. Los teléfonos móviles equipados con tecnología de imágenes ópticas transdérmicas podrían cumplir con estos requisitos. Objetivo: Evaluar la precisión de una app basada en imagen óptica transdérmica para estimar SV en relación con la valoración clínica en pacientes con IC. Métodos: Estudio de cohorte prospectivo, se incluyeron pacientes evaluados en una unidad ambulatoria de IC de febrero a abril del 2022. Se valoró simultáneamente la PA y FC mediante la app y el examen clínico (PA con un esfigmomanómetro automatizado y FC por palpación braquial). Se realizaron tres mediciones por app y clínica en cada paciente, por dos médicos independientes, encontrándose ciegos a los resultados. Resultados: Se incluyeron 30 pacientes, con 540 mediciones de TA y de FC. Edad media de 66 (± 13) años, el 53.3% de sexo masculino. La fracción de eyección del ventrículo izquierdo media fue de 37 ± 15, con hospitalizaciones previas por IC el 63.3%, en CF II-III el 63.4%. La diferencia media entre la medición de la app y su medición de referencia clínica fue de 3.6 ± 0.5 mmHg para PA sistólica (PAS), 0.9 ± -0.2 mmHg para PA diastólica (PAD) y 0.2 ± 0.4 lpm para FC. Cuando se promedian las diferencias medias emparejadas para cada paciente, la media entre los 30 pacientes es de 2 ± 6 mmHg para PAS, -0.14 ± 4.6 mmHg para PAD y 0.23 ± 4 lpm para FC. Conclusión: La estimación de PA y FC por una app con tecnología de imagen óptica transdérmica fue comparable a la medición no invasiva en pacientes con IC, y cumple los criterios de precisión de la medición de PA en este estudio preliminar. La utilización de esta nueva tecnología de imagen óptica transdérmica brinda datos prometedores, que deberán ser corroborados en cohortes de mayor tamaño.
Abstract Background: Virtual consultations have increased exponentially, but a limitation is the inability to assess vital signs (VS). This is particularly useful in patients with heart failure (HF) for titrating prognosis-modifying medication. This issue could potentially be addressed by a tool capable of measuring blood pressure (BP) and heart rate (HR) accurately, remotely, and conveniently. Mobile phones equipped with transdermal optical imaging technology could meet these requirements. Objective: To evaluate the accuracy of a transdermal optical imaging-based app for estimating VS compared to clinical assessment in patients with HF. Methods: A prospective cohort study included patients evaluated in an HF outpatient unit between February and April 2022. BP and HR were simultaneously assessed using the app and clinical examination (BP with an automated sphygmomanometer and HR by brachial palpation). Three measurements were taken by both the app and clinic for each patient, by two independent blinded physicians. Results: Thirty patients were included, with 540 measurements of BP and HR. The mean age was 66 (± 13) years, 53.3% were male. The mean left ventricular ejection fraction was 37 ± 15, with 63.3% having previous hospitalizations for HF, and 63.4% in NYHA class II-III. The mean difference between the app measurement and its clinical reference measurement was 3.6 ± 0.5 mmHg for systolic BP (SBP), 0.9 ± -0.2 mmHg for diastolic BP (DBP), and 0.2 ± 0.4 bpm for HR. When averaging the paired mean differences for each patient, the mean across the 30 patients was 2 ± 6 mmHg for SBP, -0.14 ± 4.6 mmHg for DBP, and 0.23 ± 4 bpm for HR. Conclusion: The estimation of BP and HR by an app with transdermal optical imaging technology was comparable to non-invasive measurement in patients with HF and met the precision criteria for BP measurement in this preliminary study. The use of this new transdermal optical imaging technology provides promising data, which should be corroborated in larger cohorts.
Résumé
RESUMEN Introducción: El número creciente de estudios ecocardiográficos y la necesidad de cumplir rigurosamente con las recomendaciones de guías internacionales de cuantificación, ha llevado a que los cardiólogos deban realizar tareas sumamente extensas y repetitivas, como parte de la interpretación y análisis de cantidades de información cada vez más abrumadoras. Novedosas técnicas de machine learning (ML), diseñadas para reconocer imágenes y realizar mediciones en las vistas adecuadas, están siendo cada vez más utilizadas para responder a esta necesidad evidente de automatización de procesos. Objetivos: Nuestro objetivo fue evaluar un modelo alternativo de interpretación y análisis de estudios ecocardiográficos, basado fundamentalmente en la utilización de software de ML, capaz de identificar y clasificar vistas y realizar mediciones estandarizadas de forma automática. Material y métodos: Se utilizaron imágenes obtenidas en 2000 sujetos normales, libres de enfermedad, de los cuales 1800 fueron utilizados para desarrollar los algoritmos de ML y 200 para su validación posterior. Primero, una red neuronal convolucional fue desarrollada para reconocer 18 vistas ecocardiográficas estándar y clasificarlas de acuerdo con 8 grupos (stacks) temáticos. Los resultados de la identificación automática fueron comparados con la clasificación realizada por expertos. Luego, algoritmos de ML fueron desarrollados para medir automáticamente 16 parámetros de eco Doppler de evaluación clínica habitual, los cuales fueron comparados con las mediciones realizadas por un lector experto. Finalmente, comparamos el tiempo necesario para completar el análisis de un estudio ecocardiográfico con la utilización de métodos manuales convencionales, con el tiempo necesario con el empleo del modelo que incorpora ML en la clasificación de imágenes y mediciones ecocardiográficas iniciales. La variabilidad inter e intraobservador también fue analizada. Resultados: La clasificación automática de vistas fue posible en menos de 1 segundo por estudio, con una precisión de 90 % en imágenes 2D y de 94 % en imágenes Doppler. La agrupación de imágenes en stacks tuvo una precisión de 91 %, y fue posible completar dichos grupos con las imágenes necesarias en 99% de los casos. La concordancia con expertos fue excelente, con diferencias similares a las observadas entre dos lectores humanos. La incorporación de ML en la clasificación y medición de imágenes ecocardiográficas redujo un 41 % el tiempo de análisis y demostró menor variabilidad que la metodología de interpretación convencional. Conclusión: La incorporación de técnicas de ML puede mejorar significativamente la reproducibilidad y eficiencia de las interpretaciones y mediciones ecocardiográficas. La implementación de este tipo de tecnologías en la práctica clínica podría resultar en reducción de costos y aumento en la satisfacción del personal médico.
ABSTRACT Background: The growing number of echocardiographic tests and the need for strict adherence to international quantification guidelines have forced cardiologists to perform highly extended and repetitive tasks when interpreting and analyzing increasingly overwhelming amounts of data. Novel machine learning (ML) techniques, designed to identify images and perform measurements at relevant visits, are becoming more common to meet this obvious need for process automation. Objectives: Our objective was to evaluate an alternative model for the interpretation and analysis of echocardiographic tests mostly based on the use of ML software in order to identify and classify views and perform standardized measurements automatically. Methods: Images came from 2000 healthy subjects, 1800 of whom were used to develop ML algorithms and 200 for subsequent validation. First, a convolutional neural network was developed in order to identify 18 standard echocardiographic views and classify them based on 8 thematic groups (stacks). The results of automatic identification were compared to classification by experts. Later, ML algorithms were developed to automatically measure 16 Doppler scan parameters for regular clinical evaluation, which were compared to measurements by an expert reader. Finally, we compared the time required to complete the analysis of an echocardiographic test using conventional manual methods with the time needed when using the ML model to classify images and perform initial echocardiographic measurements. Inter- and intra-observer variability was also analyzed. Results: Automatic view classification was possible in less than 1 second per test, with a 90% accuracy for 2D images and a 94% accuracy for Doppler scan images. Stacking images had a 91% accuracy, and it was possible to complete the groups with any necessary images in 99% of cases. Expert agreement was outstanding, with discrepancies similar to those found between two human readers. Applying ML to echocardiographic imaging classification and measurement reduced time of analysis by 41% and showed lower variability than conventional reading methods. Conclusion: Application of ML techniques may significantly improve reproducibility and efficiency of echocardiographic interpretations and measurements. Using this type of technologies in clinical practice may lead to reduced costs and increased medical staff satisfaction.
Résumé
RESUMEN La angioplastia transluminal coronaria (ATC) es una de las principales estrategias de revascularización en pacientes con enfermedad coronaria aterosclerótica (ECA). Numerosos estudios respaldan la optimización de la ATC mediante métodos de imagen endovascular; sin embargo, estos métodos son subutilizados en la práctica clínica contemporánea y enfrentan desafíos en la interpretación de los datos obtenidos, por lo que la integración de la inteligencia artificial (IA) se vislumbra como una solución atractiva para promover y simplificar su uso. La IA se define como un programa computarizado que imita la capacidad del cerebro humano para recopilar y procesar datos. El aprendizaje de máquinas es una subdisciplina de la IA que implica la creación de algoritmos capaces de analizar grandes conjuntos de datos sin suposiciones previas, mientras que el aprendizaje profundo se centra en la construcción y entrenamiento de redes neuronales artificiales profundas y complejas. Así, se ha demostrado que la incorporación de sistemas de IA a los métodos de imagen endovascular incrementa la precisión de la ATC, disminuye el tiempo del procedimiento y la variabilidad interobservador en la interpretación de los datos obtenidos, promueve así una mayor adopción y facilita su utilización. El propósito de la presente revisión es destacar cómo los sistemas actuales basados en IA pueden desempeñar un papel fundamental en la interpretación de los datos generados por los métodos de imagen endovascular, lo que conduce a una mejora en la optimización de la ATC en pacientes con ECA.
ABSTRACT Percutaneous coronary intervention (PCI) is one of the primary revascularization strategies in patients with coronary artery disease (CAD). Several studies support the use of intravascular imaging methods to optimize PCI. However, these methods are underutilized in contemporary clinical practice and face challenges in data interpretation. Therefore, the incorporation of artificial intelligence (AI) is seen as an attractive solution to promote and simplify their use. AI can be defined as a computer program that mimics the human brain in its ability to collect and process data. Machine learning is a sub-discipline of AI that involves the creation of algorithms capable of analyzing large datasets without making prior assumptions, while deep learning focuses on the construction and training of deep and complex artificial neural networks. The incorporation of AI systems to intravascular imaging methods improves the accuracy of PCI, reduces procedure duration, and minimizes interobserver variability in data interpretation. This promotes their wider adoption and facilitates their use. The aim of this review is to highlight how current AI-based systems can play a key role in the interpretation of data generated by intravascular imaging methods and optimize PCI in patients with CAD.
Résumé
RESUMEN La inteligencia artificial (IA) está basada en programas computacionales que pueden imitar el pensamiento humano y automatizar algunos procesos. En el ámbito médico se está estudiando hace más de 50 años, pero en los últimos años el crecimiento ha sido exponencial. El campo de las imágenes cardiovasculares es particularmente atractivo para aplicarla, dado que, guiadas por IA, personas no expertas pueden adquirir imágenes completas, automatizar procesos y mediciones, orientar diagnósticos, detectar hallazgos no visibles al ojo humano, realizar diagnósticos oportunistas de afecciones no buscadas en el estudio índice pero evaluables a través de las imágenes disponibles, o identificar patrones de asociación dentro de una gran cantidad de datos como fuente de generación de hipótesis. En el campo de la prevención cardiovascular, la IA se ha aplicado en diferentes escenarios con fines diagnósticos, pronósticos y terapéuticos en el manejo de algunos factores de riesgo cardiovascular, como las dislipidemias o la hipertensión arterial. Si bien existen limitaciones con el uso de la IA tales como el costo, la accesibilidad y la compatibilidad de los programas, la validez externa de los resultados en determinadas poblaciones, o algunos aspectos éticos-legales (privacidad de los datos), esta tecnología está en crecimiento vertiginoso y posiblemente revolucione la práctica médica actual.
ABSTRACT Artificial intelligence (AI) is based on computer programs that imitate human thinking and automate certain processes. Artificial intelligence has been studied in the medical field for over 50 years, but in recent years, its growth has been exponential. The field of cardiovascular imaging is particularly attractive since AI can guide non-experts in image acquisition, automate processes and measurements, guide diagnoses, detect findings not visible to the human eye, make opportunistic diagnoses of unexpected conditions in the index test, or identify patterns of association within a large amount of data as a source of hypothesis generation. In the field of cardiovascular prevention, AI has been used for diagnostic, prognostic, and therapeutic purposes in managing cardiovascular risk factors such as dyslipidemia and hypertension. While there are limitations to the use of AI, such as cost, accessibility, compatibility of programs, external validity of results in certain populations, and ethical-legal aspects such as data privacy, this technology is rapidly growing and is likely to revolutionize current medical practice.
Résumé
Introducción. El uso de la inteligencia artificial (IA) en la educación ha sido objeto de una creciente atención en los últimos años. La IA se ha utilizado para mejorar la personalización del aprendizaje, la retroalimentación y la evaluación de los estudiantes. Sin embargo, también hay desafíos y limitaciones asociados. El objetivo de este trabajo fue identificar las principales tendencias y áreas de aplicación de la inteligencia artificial en la educación, así como analizar los beneficios y limitaciones de su uso en este ámbito. Métodos. Se llevó a cabo una revisión sistemática que exploró el empleo de la inteligencia artificial en el ámbito educativo. Esta revisión siguió una metodología de investigación basada en la búsqueda de literatura, compuesta por cinco etapas. La investigación se realizó utilizando Scopus como fuente de consulta primaria y se empleó la herramienta VOSviewer para analizar los resultados obtenidos. Resultados. Se encontraron numerosos estudios que investigan el uso de la IA en la educación. Los resultados sugieren que la IA puede mejorar significativamente la personalización del aprendizaje, proporcionando recomendaciones de actividades y retroalimentación adaptadas a las necesidades individuales de cada estudiante. Conclusiones. A pesar de las ventajas del uso de la IA en la educación, también hay desafíos y limitaciones que deben abordarse, como la calidad de los datos utilizados por la IA, la necesidad de capacitación para educadores y estudiantes, y las preocupaciones sobre la privacidad y la seguridad de los datos de los estudiantes. Es importante seguir evaluando los efectos del uso de la IA en la educación para garantizar su uso efectivo y responsable.
Introduction. The use of artificial intelligence (AI) in education has been the subject of increasing attention in recent years. AI has been used to improve personalized learning, feedback, and student assessment. However, there are also challenges and limitations. The aim of this study was to identify the main trends and areas of application of artificial intelligence in education, as well as to analyze the benefits and limitations of its use in this field. Methods. A systematic review was carried out on the use of artificial intelligence in education, using a literature search research methodology with five stages, based on the Scopus query and the tool for analyzing results with VOSviewer. Results. Numerous studies investigating the use of AI in education were found. The results suggest that AI can significantly improve personalized learning by providing activity recommendations and feedback tailored to the individual needs of each student. Conclusions. Despite the advantages of using AI in education, there are also challenges and limitations that need to be addressed, such as the quality of data used by AI, the need for training for educators and students, and concerns about the privacy and security of student data. It is important to continue evaluating the effects of AI use in education to ensure its effective and responsible use.
Sujets)
Humains , Intelligence artificielle , Éducation , Apprentissage , Logiciel , Évaluation des acquis scolaires , Rétroaction formativeRésumé
RESUMEN Objetivo: Desarrollar una revisión de artículos para evaluar la evidencia sobre la tecnología blockchain aplicada en la medicina. Métodos: El estudio es de tipo documental, diseño bibliográfico, enmarcado en una revisión sistemática. La recolección de los artículos se realizó en las bases de datos Scopus, Web of Sciences, Pro Quest y SienceDirect, desde el 1 de enero de 2018 hasta el 31 de julio de 2023. Los descriptores fueron blockchain, tecnología y medicina. Se elaboró el diagrama PRISMA y se consideró los criterios de inclusión: artículos originales, con acceso abierto que aborden el tema y en cualquier idioma. Se hallaron 70 artículos, de los cuales 11 conformaron la muestra. Resultados: Se analizaron las diversas aplicaciones de la tecnología blockchain en la medicina, entre ellas su integración con inteligencia artificial (IA) para el análisis centrado en datos; en cuanto al desarrollo de sistemas de trazabilidad, sin embargo, su mayor aplicabilidad está en el registro de historias médicas de pacientes, cuya aplicación fue exitosa. A pesar de esto, se comprobó su uso incipiente, en la medicina, debido a la ausencia de estudios al respecto. Conclusiones: La aplicación de la tecnología blockchain en la medicina es muy escasa, a pesar del potencial que posee para el registro y resguardo de datos médicos; por lo tanto, se debe profundizar el estudio de la misma.
ABSTRACT Objective: Develop an articles review to evaluate the existing evidence on blockchain technology applied in medicine. Methods: The study was of a documentary type, bibliographic design, framed in a systematic review. The harvest of articles was carried out in the Scopus, Web of Sciences, Pro Quest and ScienceDirect databases from January 1, 2018 to July 31, 2023. The descriptors were blockchain, technology and medicine. The PRISMA diagram was prepared considering the inclusion criteria: original articles, with open access; that address the subject and in any language. The search yielded 70 articles, of which 11 formed the sample. Results: The various applications of blockchain technology in medicine were discussed, including its integration with artificial intelligence (AI) for data-centric analysis; regarding the development of traceability systems, however, its greatest applicability is in the registration of medical records of patients, whose application was successful. Despite this, its incipient use in medicine was verified due to the lack of studies in this regard. Conclusions: The application of blockchain technology in medicine is very scarce, despite the potential it has for the registration and safeguarding of medical data, therefore, its study should be deepened.
Résumé
@#Abstract: With the rapid development of artificial intelligence technology, small molecule generation models have emerged as a significant research direction in the field of drug discovery. These models, including Generative Adversarial Networks (GANs), Variational Autoencoders (VAEs), and diffusion models, have proven to possess remarkable capabilities in optimizing drug properties and generating complex molecular structures. This article comprehensively analyzes the application of the aforementioned advanced technologies in the drug discovery process, demonstrating how they supplement and enhance traditional drug design methods. At the same time, it addresses the challenges facing current methods in terms of data quality, model complexity, computational cost, and generalization ability, with a prospect of future research directions.
Résumé
@#Abstract: The new generation of artificial intelligence technology, represented by deep learning, has emerged as a crucial driving force in the advancement of new drug research and development. This article creatively proposes a workflow named “Molecular Factory” for the design and optimization of drug molecules based on artificial intelligence technology. This workflow integrates intelligent molecular generation models, high-performance molecular docking algorithms, and accurate protein-ligand binding affinity prediction methods. It has been integrated as a core module into DrugFlow, a one-stop drug design software platform, providing a comprehensive set of mature solutions for the discovery and optimization of lead compounds. Utilizing the “Molecular Factory” module, we conducted the research of second-generation inhibitors against Menin that can combat drug resistance. Through the integration of computational and experimental approaches, we rapidly identified multiple promising compounds. Among them, compound RG-10 exhibited the IC50 values of 9.681 nmol/L, 233.2 nmol/L, and 40.09 nmol/L against the wild-type Menin, M327I mutant, and T349M mutant, respectively. Compared to the positive reference molecule SNDX-5613, which has entered Phase II clinical trials, RG-10 demonstrated significantly enhanced inhibitory activity against the M327I and T349M mutants. These findings fully demonstrate the unique advantages of the "Molecular Factory" technology in practical drug design and development scenarios. It can rapidly and efficiently generate high-quality active molecules targeting specific protein structures, holding significant value and profound implications for advancing new drug discovery.
Résumé
@#Abstract: In recent years, the field of nucleic acid therapeutics has been flourishing, progressively establishing itself as the third generation of drug modalities following small molecules and antibody-based drugs. Artificial intelligence technology based on machine learning is advancing rapidly, which can significantly accelerate the development process of nucleic acid therapeutics. This review provides an overview of the foundational aspects of artificial intelligence algorithms, databases, and characterizations in the field of nucleic acid drug development. It elucidates the advances in the application of artificial intelligence in nucleic acid structural prediction, small nucleic acid drug design, and other research and development phases of nucleic acid therapeutics, aiming to offer some reference for the interdisciplinary development of artificial intelligence and nucleic acid drugs.
Résumé
@#Abstract: Anticancer peptides (ACPs) have become a focal point of research due to their high efficacy, low toxicity, and high selectivity. Methods of ACP identification and design based on artificial intelligence (AI) surpass traditional experimental techniques in cost-efficiency, success rate, and the ability to investigate a broader sequence space. This article highlights the application of AI technology in the generation and identification of ACPs, including the exploration of new ACP design through deep generative models and ACP identification methods based on machine learning and deep learning. Furthermore, it discusses challenges in current research, such as insufficient model reproducibility and interpretability, and a lack of experimentally validated negative data. Future research directions are proposed to provide new insights for the development of anticancer peptides, aiming to enhance the understanding and development of ACPs.
Résumé
Children′s bronchial lumen is relatively narrow, pulmonary interstitial development is superior to elastic tissue, and ciliary clearance is weak, which makes children more prone to pulmonary infection and pneumonia.The development of artificial intelligence (AI) and its application in medicine is changing the traditional disease diagnosis, assessment and treatment.AI with deep learning as the core is increasingly used in the diagnosis and prognosis evaluation of pneumonia in children, which is conducive to the early diagnosis and accurate assessment of the disease.In addition to novel coronavirus pneumonia and acute respiratory distress syndrome, researchers rarely pay attention to other viral pneumonia, bacterial pneumonia, mycoplasmal pneumonia, and fungal pneumonia.Meanwhile, there are still problems, such as small datasets, small sample sizes, incomplete algorithms, and little attention paid to pneumonia types and subtypes.In the future, a large-sample dataset of children′s pulmonary infections should be established, and learning about AI should be promoted among medical students and medical staff, so as to explore the value of AI in children′s pulmonary infection and play its auxiliary role in clinical decision-making related to diagnosis and treatment.
Résumé
Objective To explore the feasibility of automating the measurement of abduction angle after total hip arthroplasty(THA)on postoperative radiographs by using deep learning algorithms.Methods The data were retrospectively collected.A total of 381 cases were used to develop deep learning model.Two radiologists annotated the key points on the images(lateral-superior point and medial-inferior point of acetabular cups,tear drops).The data was split into training dataset(304 cases),tuning dataset(38 cases),and test dataset(39 cases).A 2D U-net model was trained to segment the key points and the abduction angle were automatically meas-ured.After development of the model,an external validation dataset was collected(143 cases).Dice similarity coefficient(DSC)and mean absolute error(MAE)were used to evaluate the prediction efficiency of the model in the test dataset and the external validation dataset.Bland-Altman test was used to analyze the agreement between the abduction angle measured automatically by the model and the physician measurement.Results The DSC were 0.870-0.905 and 0.690-0.750 in the test dataset and the external validation dataset,and the corresponding MAE were 0.311-0.561 and 0.951-1.310.For the result of Bland-Altman analysis,only 6.52%(3/46)and 2.08%(3/144)of the abduction angle measurements in the test dataset and external validation dataset were outside the 95%limit of agreement(LoA).In the qualitative evaluation of the abduc-tion angle,the agreement of the model with the physician were 97.8%and 90.3%in the test dataset and the external validation dataset.Conclusion It is feasible to use deep learning algorithms to automatically measure the abduction angle after THA on X-ray images,achieving similar accuracy to that of physician.