ESTADO DEL ARTE, VENTAJAS Y LIMITACIONES DE LA
INTELIGENCIA ARTIFICIAL EN EPIDEMIOLOGÍA Y SALUD PÚBLICA
..................
Adriana Beltrán-Ostos ¹, Ana María Urdaneta ², Jaime Alberto González ³
Resumen
Objetivo: Realizar una
revisión narrativa del estado actual de la aplicación de las técnicas
de inteligencia artificial (IA) en las áreas de la epidemiología y
salud pública, así como de sus limitaciones y oportunidades.
Metodología:
Se realizó una revisión estructurada de la literatura para lo cual se
desarrolló
una estrategia de búsqueda genérica compuesta por vocabulario
controlado explotado como términos
(MeSH (Medical Subject Headings), DeCS (Descriptores en Ciencias de la
Salud) y Emtree (Embase
Subject Headings) y por lenguaje libre se llevó a cabo una búsqueda de
la literatura en las siguientes
bases de datos MEDLINE, Embase, Epistemonikos y LILACS, se
establecieron los criterios de elegibilidad de los artículos, los
cuales se utilizaron para los procesos de tamización y selección de los
mismos, los que se realizaron por duplicado. Finalmente se llevó a cabo
el proceso de extracción de los
datos utilizando una herramienta estructurada, la síntesis de la
evidencia se realizó de manera cuantitativa por medio de tablas de
síntesis. Se realizó un análisis descriptivo univariado basado en el
cálculo
de frecuencias absolutas y relativas de las variables cualitativas y se
calcularon medidas de tendencia
central (media y mediana) y medidas de dispersión junto con los valores
máximo y mínimo parea las
variables cuantitativas.
Resultados: El
18,4% de los artículos publicados provenían de Estados Unidos seguido
por el 13,1% de China. En relación con las publicaciones, 11% fueron
latinoamericanas.
En cuanto al modelo de inteligencia artificial utilizado el 36%
correspondió a modelos de Machine
learning y árboles de decisión, seguido por redes neuronales en el 30%;
el 58,5% de los algoritmos
fueron modelos supervisados, el 43% de los modelos no fue objeto de
validación, el 51,9% de los modelos se utilizaron para diagnóstico de
enfermedades, el 21% para tamizaje y el 11% para evaluar el
tratamiento. En relación con el propósito en salud pública, el 49,3% se
utilizaron para protección de
la salud, el 36% para promoción y el 14% para mejorar la eficiencia en
la prestación de los servicios
de salud. Respecto a su utilización en epidemiología, el 53% pretendían
determinar factores de riesgo
o exposición a enfermedades, el área predominante de desarrollo de los
modelos fue infectología en
el 61% de las publicaciones encontradas.
Conclusiones: La IA se presenta como una herramienta útil
en áreas como la epidemiología y en la toma de decisiones en salud pública al desarrollar algoritmos a
partir de datos complejos que permiten predecir una variedad de desenlaces. Sin embargo, es necesario
estandarizar los métodos en aspectos, tales como la calidad de los datos utilizados en estos algoritmos,
en los métodos de validación utilizados, lo cual permitiría su aplicación en el contexto clínico.
Palabras clave: Inteligencia artificial; salud pública; epidemiología.
..............
¹ Médico Internista-Reumatóloga, PhD(c) epidemiología clínica, miembro de AIpócrates.
² Médico Especialista en epidemiología clínica, miembro de AIpócrates.
³ Médico Internista-Hematoncólogo, MSc Oncología Molecular, miembro de AIpócrates.
STATE OF THE ART, ADVANTAGES,
AND LIMITATIONS OF ARTIFICIAL INTELLIGENCE IN
EPIDEMIOLOGY AND PUBLIC HEALTH
Abstract
Objective: To carry out a narrative review of the current state of the application of artificial
intelligence (AI) techniques in the areas of epidemiology and public health, as well as its limitations and opportunities.
Methodology: A
structured review of the literature was carried out, for
which a generic search strategy was developed composed of controlled
vocabulary exploited
as terms (MeSH (Medical Subject Headings), DeCS (Descriptors in Health
Sciences) and
Emtree (Embase Subject Headings) and By free language, a literature
search was carried
out in the following databases MEDLINE, Embase,, Epistemonikos and
LILACS, the eligibility
criteria of the articles were established, which were used for the
screening and selection processes of the same which were carried out in
duplicate, finally the data extraction process was
carried out using a structured tool, the synthesis of the evidence was
carried out quantitatively
by means of synthesis tables, a univariate descriptive analysis was
carried out based on the
calculation of absolute and relative frequencies of the qualitative
variables and measures of
trend cent ral (mean and median) and measures of dispersion together
with the maximum and
minimum values for the quantitative variables.
Results:
18,4% of the articles published came
from the United States followed by, 13,1% from China, 11% were Latin
American publications,
as for the artificial intelligence model used, 36% corresponded to
Machine learning models,
and trees of decision, followed by neural networks in 30%, 58,5% of the
algorithms were supervised models, 43% of the models were not
validated, 51,9% of the models were used for
disease diagnosis, 21% for screening and 11% to evaluate treatment, in
relation to the purpose in public health, 49,3% were used for health
protection and 36% for promotion and 14%
to improve efficiency in the provision of health services, regarding
its use in epidemiology,
53% intended to determine risk factors or exposure to diseases, the
predominant area of development of the models was infectology in 61% of
the publications found.
Conclusion:
AI is
presented as a useful tool in areas such as epidemiology and in public
health decision-making
by developing algorithms from complex data that allow predicting a
variety of outcomes. However, it is necessary to standardize the
methods in aspects, such as the quality of the data
used in these algorithms, in the validation methods used, which allows
their application in the
clinical context.
Keywords: Computational Intelligence; Artificial Intelligence; Public Health; Epidemiology.
Introducción
En 1854 el Doctor John Snow logró establecer la asociación entre
el cólera y el consumo de agua contaminada utilizando técnicas de
cartografía y matemáticas
relativamente sencillas, sentando así las bases de la
epidemiología. Esta relativa simplicidad contrasta con
los desarrollos de los últimos años dados por la disponibilidad de una
masiva cantidad de datos de diversas
fuentes, así como, el desarrollo de tecnologías, incluida la
inteligencia artificial (ciencia que estudia las formas de construir
programas y máquinas inteligentes
que puedan resolver problemas de manera creativa, lo
cual, siempre se ha considerado una prerrogativa humana), apalancados
por los avances en la biología molecular y la genómica (1), los cuales,
dependen en gran
medida del soporte de la ingeniería y de la infraestructura
computacional; este nuevo entorno del acceso a
diferentes herramientas tecnológicas, particularmente
a la inteligencia artificial se presenta como una oportunidad para su
utilización en epidemiología y salud
pública, con beneficios tales como la integración de
diferentes fuentes de datos, la eficiencia en el análisis
de los mismos, y en muchos casos en los costos derivados de su
utilización (2), sin embargo, existen retos
importantes en el desarrollo e implementación de estas
técnicas, tales como, la falta de validación de los modelos y aspectos
éticos (3). Es por esto, que se planteó
como objetivo de este estudio una revisión narrativa
del estado actual de la aplicación de la inteligencia artificial en las
áreas de la epidemiología y salud pública y a partir de los resultados
describir sus áreas de
implementación actual, así como, sus limitaciones y
oportunidades.
Objetivo
Describir el estado actual de la aplicación de las técnicas de
inteligencia artificial en las áreas de la epidemiología y salud
pública, así como sus limitaciones y
oportunidades.
Metodología
Se llevó a cabo una revisión estructurada de la literatura, se diseñó
una estrategia de búsqueda genérica compuesta por vocabulario
controlado explotado como
términos (MeSH Medical Subject Headings), DeCS
(Descriptores en Ciencias de la Salud) y Emtree (Embase Subject
Headings) y por lenguaje libre, considerando sinónimos, abreviaturas y
variaciones ortográficas y plurales. Las estrategias se complementaron
con
identificadores de campo, truncadores, operadores de
proximidad y operadores booleanos (
Tabla 1), se llevó
a cabo una búsqueda de la literatura en las siguientes
bases de datos MEDLINE, Embase, Epistemonikos y
LILACS. Adicionalmente, se realizaron búsquedas de
fuentes secundarias y de las referencias de las publicaciones. Se
establecieron como criterios de inclusión artículos publicados en
revistas científicas, a los cuales se
pudiera acceder al texto completo con los términos de
la búsqueda en el título o en el resumen. No se establecieron
restricciones de fecha, metodología, ni idioma,
se excluyeron artículos cuya investigación no fuera en
humanos.
Tabla 1. Términos de las búsquedas
La tamización de estudios se realizó con el software
Rayyan. Inicialmente se cargaron todos los documentos identificados
como resultado de las búsquedas en
las diferentes bases de datos consultadas; posteriormente, se realizó
un proceso de eliminación de duplicados y se procedió a la tamización.
La tamización se realizó por duplicado mediante la
lectura de título y resumen, y estuvo a cargo de tres
revisores independientes (AU, AB y JG); los desacuerdos fueron resueltos por consenso.
Se incluyeron aquellos estudios que cumplieran con
los criterios de elegibilidad preestablecidos. Para la selección de estudios, se llevó a cabo la recuperación de
texto completo de las referencias preseleccionadas en
la tamización y se procedió a su lectura, la cual se realizó de manera independiente por tres revisores (AU,
AB y JG). Los desacuerdos fueron resueltos por consenso. Los estudios incluidos en la fase de revisión en
texto completo fueron presentados mediante una lista;
de igual manera, los estudios excluidos se presentaron
junto con la respectiva justificación. El proceso completo de tamización y selección utilizado se presentó
empleando el diagrama de flujo propuesto en la declaración
PRISMA.
Los datos relevantes para esta revisión fueron extraídos por duplicado y de manera independiente (AU,
AB y JG), por medio de un formulario diseñado en
Excel, el cual fue ajustado en una extracción piloto
realizada o en uno de los artículos.
Los datos extraídos de cada estudio incluido fueron:
primer autor, año de publicación, país de publicación,
tipo de modelo de IA utilizado, método de aprendizaje del algoritmo, validación del modelo, propósito del
modelo en salud (tamizaje, diagnóstico, tratamiento,
pronóstico, seguimiento) utilidad del algoritmo en salud pública (protección de la salud, promoción de la
salud, incremento de la eficiencia de los servicios de
salud), utilidad del algoritmo desarrollado en epidemiología (determinar factores de riesgo o exposición,
establecer causalidad, evaluar efectividad y seguridad
de las intervenciones) y área de la medicina de aplicación del desarrollo.
La síntesis de la evidencia se realizó de manera cuantitativa por medio de tablas de síntesis. Se realizó un
análisis descriptivo univariado basado en el cálculo de
frecuencias absolutas y relativas de las variables cualititativas y se calcularon medidas de tendencia central
(media y mediana) y medidas de dispersión junto con
los valores máximo y mínimo para las variables cuantitativas.
Resultados
La búsqueda inicial arrojo 374 artículos. Al realizar
una revisión bibliométrica se observó que el idioma
de publicación predominante fue el inglés en el 97%,
seguido por el francés en el 1% de las publicaciones.
También se observó una tendencia al incremento en
el número de publicaciones desde el año 2016 hasta el
año 2021 (
Figura 1A). De los 374 artículos, se excluyeron en el tamizaje inicial 168 porque no cumplieron
con los criterios de elegibilidad, 206 artículos se revisaron en texto completo, de los cuales se seleccionaron
152 artículos (3-73) (
Figura 1B).
Figura 1A. Número de publicaciones por año.
Figura 1B. Diagrama de PRISMA de los estudios seleccionados.
Respecto a la distribución de las publicaciones por
país, el 18,4% de los artículos publicados provenían
de Estados Unidos, seguido por el 13,1% de China
y el 11% en el Reino UnidoUnido. De las 153 publicaciones, 17 fueron americanas, y de ellas, 11 fueron
brasileras, seguidas por 3 de Colombia(4–6) y 3 de
Cuba (
Figura 2).
En cuanto al modelo de inteligencia
artificial utilizado, el 36% correspondió a modelos de
Machine learning, y árboles de decisión, seguido por
redes neuronales en el 30% (Figura 3). Respecto al estilo de
aprendizaje, el 58,5% de los algoritmos fueron
modelos supervisados, en el 36% de las publicaciones no se reportó el
tipo de aprendizaje de los algoritmos,
y el 56% de los modelos fueron validados y el 43%
restante no fue objeto de validación o no fue reportado
en la publicación. Respecto al propósito de los modelos, el 51,9% se
utilizaron para diagnóstico de enfermedades, el 21% para tamizaje y el
11% para evaluar
el tratamiento, en relación con el propósito en salud
pública, el 49,3% (7,8) se utilizaron para protección de
la salud y el 36% (8-30) para promoción y prevención,
y el 14% para mejorar la eficiencia en la prestación de
los servicios de salud (30,31). En cuanto a su utilización en
epidemiología, el 53% pretendían determinar
factores de riesgo o exposición a enfermedades, el área
predominante de desarrollo de los modelos fue infectología en el 61%
(32-61), seguido por dermatología
7,8% (62-71) y por salud mental en el 5,9% (23,72,73)
de las publicaciones (
Figura 4).
Figura 2. Distribución de las publicaciones por países.
Figura 3. Modelo de IA utilizado
Discusión
Establecer la asociación entre las enfermedades y los
factores que las pueden provocar o influir en su frecuencia,
distribución espacial y su evolución, son los
principales objetivos de la epidemiología, la cual es
fundamental para la toma de decisiones en salud pública, si bien
inicialmente se utilizaban métodos observacionales, la estadística
permitió realizar análisis más
complejos, a su vez, en los últimos años el acceso a diversas fuentes
de información y a grandes volúmenes
de datos han favorecido la utilización cada vez más
frecuente de la inteligencia artificial para resolver problemas en las
áreas de epidemiología y salud pública,
lo cual se ha reflejado en un incremento en el número
de publicaciones. En nuestro estudio encontramos una
tendencia creciente en el número de publicaciones, la
cual se duplicó en el último año, particularmente a
partir del análisis de datos relacionados con la pandemia COVID-19
(36).
Al comparar la distribución geográfica del número
de publicaciones se observó una mayor frecuencia en
países como Estados Unidos y China, sin embargo, el
11% de las publicaciones provinieron de Latinoamérica, lo que, puede ser un reflejo de la baja inversión en
investigación en estos países; dentro de Latinoamérica
Brasil ocupó el primer lugar seguido por Colombia, no
obstante, se observó una baja frecuencia de publicaciones colombianas, aportando el 1,9% del total de las
publicaciones.
Figura 4. Área de aplicación.
Los modelos de IA pueden estimar el riesgo de eventos en salud y por lo tanto se pueden utilizar como
herramienta en la toma de decisiones en salud pública
(1-3); a su vez, los algoritmos de aprendizaje de máquina tienen el potencial de identificar asociaciones
complejas y no lineares con implicaciones positivas en
el desempeño predictivo de estos modelos, los cuales,
pueden resultar de utilidad en epidemiología para descubrir mecanismos desconocidos (74-76), difíciles de
identificar a partir de métodos deductivos cuando se
desconoce a priori su existencia (1,3).
Sin embargo, a pesar de tratarse de una herramienta
prometedora en el análisis de datos complejos, aún se
observa, en las diferentes publicaciones, una falta de estandarización
en la descripción de los métodos de IA
utilizados (77); en nuestro estudio encontramos una
amplia variabilidad en la descripción de los modelos de
inteligencia artificial utilizados, de los cuales, los más
frecuentes fueron los modelos de aprendizaje de máquina, seguidos por
las redes neuronales. No obstante, en
el 22% de los estudios no se describió el tipo de modelo
utilizado; por otra parte, en la mayoría de los estudios
no se describe en detalle la fuente de datos utilizada,
aspecto fundamental, ya que analizar datos de mala calidad puede
introducir sesgos en los resultados del análisis, independiente de la
técnica utilizada, generando
asociaciones espurias y resultados que carecen de validez externa
(77,78).
Aún así, con datos de buena calidad es importante llevar a cabo
métodos para evaluar la validez y consistencia de los algoritmos partir
de una muestra de los datos
y a partir de la comparación con una fuente externa de
datos (79). En nuestro estudio, en el 43% de los artículos
no encontramos descrito un método de validación de
los datos, lo que restringe la generalizabilidad de los datos y por lo
tanto su utilidad en el contexto clínico (77).
Por otra parte, 93 artículos abordaron temas relacionados con
infectología, de estos, 15 desarrollaron algoritmos para evaluar la
efectividad de las políticas públicas
adoptadas en los diferentes países relacionadas con la
pandemia COVID 19 y 42 artículos relacionados con
el desarrollo de algoritmos para tamizaje y diagnóstico
de esta enfermedad, lo cual evidencia, una vez más, el
impacto que ejerció la pandemia en el número y velocidad del desarrollo
de las investigaciones y de nuevas
tecnologías, incluidas las técnicas de IA (80).
En cuanto a las tres publicaciones colombianas encontradas se desarrollaron algoritmos para la detección de
pólipos colorrectales (4), en la predicción de eritemas
por fototipos (5) y como herramienta de ayuda en la
detección de infarto agudo de miocardio en el servicio
de urgencias (6).
Conclusión
La IA se presenta como una herramienta útil en áreas
como la epidemiología y en la toma de decisiones en
salud pública al desarrollar algoritmos a partir de datos complejos que permiten predecir una variedad de
desenlaces. Sin embargo, es necesario estandarizar los
métodos en aspectos tales como la calidad de los datos
utilizados en estos algoritmos y en los métodos de validación utilizados, lo cual permita su aplicación en el
contexto clínico.
Referencias
1.
Flouris AD, Duffy J. Applications of artificial intelligence systems in
the analysis of epidemiological data. Eur J Epidemiol.
2006;21(3):167-70. doi: 10.1007/s10654-006-0005-y.
2. Salcedo J, Rosales M, Kim JS, Nuno D, Suen S, Chang AH.
Cost-effectiveness of artificial intelligence monitoring for active
tuberculosis treatment: A modeling study. PLOS ONE. 2021 Jul 21;16(7).
3. Benke K, Benke G. Artificial Intelligence and Big Data in Public
Health. Int J Environ Res Public Health. 2018 Dec 10;15(12):2796. doi:
10.3390/ijerph15122796.
4. Gómez Zuleta MA, Cano Rosales DF, Bravo Higuera DF, Ruano Balseca
JA, Romero Castro E. Detección automática de pólipos colorrectales con
técnicas de inteligencia artificial. Revista colombiana de
Gastroenterología. 2021 Mar 8;36(1).
5. Puerta Barrera JF, Amaya Hurtado D, Jiménez Moreno R. Prediction
system of erythemas for phototypes I and II, using deep-learning.
Revista Vitae. 2015 May 1;22(3).
6. Sprockel JJ, Alzate W. Aplicación de la computación evolutiva en el
diagnóstico del infarto agudo del miocardio: Hospital de San José,
Bogotá DC, Colombia. 2012. Revista Repertorio de Medicina y Cirugía.
2014 Sep 1;23(3).
7. Effland T, Lawson A, Balter S, Devinney K, Reddy V, Waechter H, et
al. Discovering foodborne illness in online restaurant reviews. J Am
Med Inform Assoc. 2018 Dec 1;25(12):1586-1592. doi:
10.1093/jamia/ocx093. PMID: 29329402; PMCID: PMC7647154.
8. Chakraborty M, Sarkar S, Mukherjee A, Shamsudduha M, Ahmed KM,
Bhattacharya A, et al. Modeling regionalscale groundwater arsenic
hazard in the transboundary Ganges River Delta, India and Bangladesh:
Infusing physically-based model with machine learning. Sci Total
Environ. 2020 Dec 15;748:141107. doi: 10.1016/j.scitotenv.2020.141107.
Epub 2020 Jul 25.
9. Ochoa Reyes A, Orellana García A, Sanchez Corales Y, Davila
Hernández F. Componente web para el análisis de información clínica
usando la técnica de Minería de Datos por agrupamiento. Revista Cubana
de Informática Médica. 2014;6(1):5–16.
10. Kuiava VA, Kuiava EL, Chielle EO, Syllos R. Desenvolvimento de
sistema estruturado com inteligência artificial para apoio no
diagnóstico de patologias oftalmológicas mais relevantes. Clinical
& Biomedical Research. 2021 Aug 30;
11. Nieuwlaat R, Eikelboom JW, Schulman S, van Spall HG, Schulze KM,
Connolly BJ, et al. Cluster randomized controlled trial of a simple
warfarin maintenance dosing algorithm versus usual care among primary
care practices. J Thromb Thrombolysis. 2014 May;37(4):435-42. doi:
10.1007/s11239-013-0969-x.
12. Labovitz DL, Shafner L, Reyes Gil M, Virmani D, Hanina A. Using
Artificial Intelligence to Reduce the Risk of Nonadherence in Patients
on Anticoagulation Therapy. Stroke. 2017 May;48(5):1416-1419. doi:
10.1161/ STROKEAHA.116.016281. Epub 2017 Apr 6.
13. INFANT Collaborative Group. Computerised interpretation of fetal
heart rate during labour (INFANT): a randomised controlled trial.
Lancet. 2017 Apr 29;389(10080):1719-1729. doi:
10.1016/S0140-6736(17)30568-8. Epub 2017 Mar 21.
14. Finkelstein SM, Lindgren BR, Robiner W, Lindquist R, Hertz M,
Carlin BP, et al. A randomized controlled trial comparing health and
quality of life of lung transplant recipients following nurse and
computer-based triage utilizing home spirometry monitoring. Telemed J E
Health. 2013 Dec;19(12):897-903. doi: 10.1089/tmj.2013.0049. Epub 2013
Oct 1.
15. Caballero-Ruiz E, García-Sáez G, Rigla M, Villaplana M, Pons B,
Hernando ME. A web-based clinical decision support system for
gestational diabetes: Automatic diet prescription and detection of
insulin needs. Int J Med Inform. 2017 Jun;102:35-49. doi:
10.1016/j.ijmedinf.2017.02.014. Epub 2017 Mar 6.
16. Rim TH, Soh ZD, Tham YC, Yang HHS, Lee G, Kim Y, et al. Deep
Learning for Automated Sorting of Retinal Photographs. Ophthalmol
Retina. 2020 Aug;4(8):793-800. doi: 10.1016/j.oret.2020.03.007. Epub
2020 Mar 17.
17. Sabanayagam C, Xu D, Ting DSW, Nusinovici S, Banu R, Hamzah H, Lim
C, et al. A deep learning algorithm to detect chronic kidney disease
from retinal photographs in community-based populations. Lancet Digit
Health. 2020 Jun;2(6):e295-e302. doi: 10.1016/S2589- 7500(20)30063-7.
Epub 2020 May 12.
18. SIOP 2016 Scientific Programme+Index. Pediatric Blood & Cancer. 2016 Nov;63.
19. Kolanu N, Brown AS, Beech A, Center JR, White CP. Natural language
processing of radiology reports for the identification of patients with
fracture. Arch Osteoporos. 2021 Jan 6;16(1):6. doi:
10.1007/s11657-020-00859-5.
20. Lim HK, Ha HI, Park SY, Han J. Prediction of femoral osteoporosis
using machine-learning analysis with radiomics features and
abdomen-pelvic CT: A retrospective single center preliminary study.
PLoS One. 2021 Mar 4;16(3):e0247330. doi: 10.1371/journal.pone.0247330.
21. Monlezun DJ, Dart L, Vanbeber A, Smith-Barbaro P, Costilla V,
Samuel C, et al. Machine Learning-Augmented Propensity Score-Adjusted
Multilevel Mixed Effects Panel Analysis of Hands-On Cooking and
Nutrition Education versus Traditional Curriculum for Medical Students
as Preventive Cardiology: Multisite Cohort Study of 3,248 Trainees over
5 Years. BioMed Research International. 2018.
22. Adeyinka DA, Olakunde BO, Muhajarine N. Evidence of health inequity
in child survival: spatial and Bayesian network analyses of stillbirth
rates in 194 countries. Sci Rep. 2019 Dec 24;9(1):19755. doi:
10.1038/s41598- 019-56326-w.
23. Carrasco-Hernandez L, Jódar-Sánchez F, Núñez-Benjumea F, Moreno
Conde J, Mesa González M, Civit-Balcells A, et al. A Mobile Health
Solution Complementing Psychopharmacology-Supported Smoking Cessation:
Randomized Controlled Trial. JMIR Mhealth Uhealth. 2020 Apr
27;8(4):e17530. doi: 10.2196/17530.
24. Salod Z, Singh Y. Comparison of the performance of machine learning
algorithms in breast cancer screening and detection: A protocol. J
Public Health Res. 2019 Dec 4;8(3):1677. doi: 10.4081/jphr.2019.1677.
25. Pergialiotis V, Pouliakis A, Parthenis C, Damaskou V, Chrelias C,
Papantoniou N, et al. The utility of artificial neural networks and
classification and regression trees for the prediction of endometrial
cancer in postmenopausal women. Public Health. 2018 Nov;164:1-6. doi:
10.1016/j.puhe.2018.07.012. Epub 2018 Aug 24.
26. Wang TH, Zhou XF, Ni Y, Pan ZG. Health information needs regarding
diabetes mellitus in China: an internet-based analysis. BMC Public
Health. 2020 Jun 23;20(1):990. doi: 10.1186/s12889-020-09132-3.
27. Bonakdari H, Pelletier JP, Martel-Pelletier J. A continuous data
driven translational model to evaluate effectiveness of
population-level health interventions: case study, smoking ban in
public places on hospital admissions for acute coronary events. J
Transl Med. 2020 Dec 9;18(1):466. doi: 10.1186/s12967-020-02628-x.
28. Davagdorj K, Pham VH, Theera-Umpon N, Ryu KH. XGBoost-Based
Framework for Smoking-Induced Noncommunicable Disease Prediction. Int J
Environ Res Public Health. 2020 Sep 7;17(18):6513. doi: 10.3390/
ijerph17186513.
29. Adhikary R., Krishnakumar A., Kolwankar S., Shah A., Sanghavi S.,
Mattoo V. Effectiveness of digital therapeutics to improve blood
pressure control among patients with hypertension and diabetes in
india. J Am Coll Cardiol. 2020 Mar, 75 (11_Supplement_1) 3583.
30. Chary M, Genes N, McKenzie A, Manini AF. Leveraging social networks
for toxicovigilance. J Med Toxicol. 2013 Jun;9(2):184-91. doi:
10.1007/s13181-013-0299-6.
31. Tang N, Huang G, Li M, Xu F. Artificial intelligence plays an
important role in containing public health emergencies. Infect Control
Hosp Epidemiol. 2020 Jul;41(7):869- 870. doi: 10.1017/ice.2020.103.
Epub 2020 Apr 2.
32. Sinčak P, Ondo J, Kaposztasova D, Virčikova M, Vranayova Z, Sabol
J. Artificial intelligence in public health prevention of legionelosis
in drinking water systems. Int J Environ Res Public Health. 2014 Aug
21;11(8):8597-611. doi: 10.3390/ijerph110808597.
33. Xiong Y, Ba X, Hou A, Zhang K, Chen L, Li T. Automatic detection of
mycobacterium tuberculosis using artificial intelligence. J Thorac Dis.
2018 Mar;10(3):1936-1940. doi: 10.21037/jtd.2018.01.91.
34. Wang S, Ramkrishna D. On the Spread of Coronavirus Infection. A
Mechanistic Model to Rate Strategies for Disease Management. US; 2020.
35. Delen D, Eryarsoy E, Davazdahemami B. No Place Like Home:
Cross-National Data Analysis of the Efficacy of Social Distancing
During the COVID-19 Pandemic. JMIR Public Health Surveill. 2020 May
28;6(2):e19862. doi: 10.2196/19862.
36. Payedimarri AB, Concina D, Portinale L, Canonico M, Seys D,
Vanhaecht K, et al. Prediction Models for Public Health Containment
Measures on COVID-19 Using Artificial Intelligence and Machine
Learning: A Systematic Review. Int J Environ Res Public Health. 2021
Apr 23;18(9):4499. doi: 10.3390/ijerph18094499.
37. Scardoni A, Balzarini F, Signorelli C, Cabitza F, Odone A.
Artificial intelligence-based tools to control healthcare associated
infections: A systematic review of the literature. J Infect Public
Health. 2020 Aug;13(8):1061-1077. doi: 10.1016/j.jiph.2020.06.006. Epub
2020 Jun 16.
38. Wakamiya S, Kawai Y, Aramaki E. Twitter-Based Influenza Detection
After Flu Peak via Tweets With Indirect Information: Text Mining Study.
JMIR Public Health Surveill. 2018 Sep 25;4(3):e65. doi:
10.2196/publichealth.8627.
39. Gao Y, Cai GY, Fang W, Li HY, Wang SY, Chen L, et al. Machine
learning based early warning system enables accurate mortality risk
prediction for COVID-19. Nat Commun. 2020 Oct 6;11(1):5033. doi:
10.1038/s41467- 020-18684-2.
40. Doyle OM, Leavitt N, Rigg JA. Finding undiagnosed patients with
hepatitis C infection: an application of artificial intelligence to
patient claims data. Sci Rep. 2020 Jun 29;10(1):10521. doi:
10.1038/s41598-020-67013-6.
41. Kolozsvári LR, Bérczes T, Hajdu A, Gesztelyi R, Tiba A, Varga I, et
al. Predicting the epidemic curve of the coronavirus (SARS-CoV-2)
disease (COVID-19) using artificial intelligence: An application on the
first and second waves. Inform Med Unlocked. 2021;25:100691. doi:
10.1016/j.imu.2021.100691. Epub 2021 Aug 8.
42. Sinčak P, Ondo J, Kaposztasova D, Virčikova M, Vranayova Z, Sabol
J. Artificial intelligence in public health prevention of legionelosis
in drinking water systems. Int J Environ Res Public Health. 2014 Aug
21;11(8):8597- 611. doi: 10.3390/ijerph110808597.
43. Dande P, Samant P. Acquaintance to Artificial Neural Networks and
use of artificial intelligence as a diagnostic tool for tuberculosis: A
review. Tuberculosis (Edinb). 2018 Jan;108:1-9. doi:
10.1016/j.tube.2017.09.006. Epub 2017 Sep 20.
44. Qiu Y, Chen X, Shi W. Impacts of Social and Economic Factors on the
Transmission of Coronavirus Disease 2019 (COVID-19) in China. medRxiv
[Preprint]. 2020 Mar 17:2020.03.13.20035238. doi:
10.1101/2020.03.13.20035238. Update in: J Popul Econ. 2020 May 9:1-46.
45. Alessa A, Faezipour M. Flu Outbreak Prediction Using Twitter Posts
Classification and Linear Regression With Historical Centers for
Disease Control and Prevention Reports: Prediction Framework Study.
JMIR Public Health Surveill. 2019 Jun 25;5(2):e12383. doi:
10.2196/12383.
46. Adikari A, Nawaratne R, De Silva D, Ranasinghe S, Alahakoon O,
Alahakoon D. Emotions of COVID-19: Content Analysis of Self-Reported
Information Using Artificial Intelligence. J Med Internet Res. 2021 Apr
30;23(4):e27341. doi: 10.2196/27341.
47. Gao Y, Cai GY, Fang W, Li HY, Wang SY, Chen L, et al. Machine
learning based early warning system enables accurate mortality risk
prediction for COVID-19. Nat Commun. 2020 Oct 6;11(1):5033. doi:
10.1038/s41467- 020-18684-2.
48. Cresswell K, Tahir A, Sheikh Z, Hussain Z, Domínguez Hernández A,
Harrison E, et al. Understanding Public Perceptions of COVID-19 Contact
Tracing Apps: Artificial Intelligence-Enabled Social Media Analysis. J
Med Internet Res. 2021 May 17;23(5):e26618. doi: 10.2196/26618.
49. Doyle OM, Leavitt N, Rigg JA. Finding undiagnosed patients with
hepatitis C infection: an application of artificial intelligence to
patient claims data. Sci Rep. 2020 Jun 29;10(1):10521. doi:
10.1038/s41598-020-67013-6.
50. Yu CS, Chang SS, Chang TH, Wu JL, Lin YJ, Chien HF, et al. A
COVID-19 Pandemic Artificial IntelligenceBased System With Deep
Learning Forecasting and Automatic Statistical Data Acquisition:
Development and Implementation Study. J Med Internet Res. 2021 May
20;23(5):e27806. doi: 10.2196/27806. Erratum in: J Med Internet Res.
2021 Jul 9;23(7):e31085.
51. Ozturk T, Talo M, Yildirim EA, Baloglu UB, Yildirim O, Rajendra
Acharya U. Automated detection of COVID-19 cases using deep neural
networks with X-ray images. Comput Biol Med. 2020 Jun;121:103792. doi:
10.1016/j. compbiomed.2020.103792. Epub 2020 Apr 28.
52. Nayarisseri A, Khandelwal R, Madhavi M, Selvaraj C, Panwar U,
Sharma K, et al. Shape-based Machine Learning Models for the Potential
Novel COVID-19 Protease Inhibitors Assisted by Molecular Dynamics
Simulation. Curr Top Med Chem. 2020;20(24):2146-2167. doi:
10.2174/1568026620666200704135327.
53. Rahman F, Meyer R, Kriak J, Goldblatt S, Slepian MJ. Big Data
Analytics + Virtual Clinical Semantic Network (vCSN): An Approach to
Addressing the Increasing Clinical Nuances and Organ Involvement of
COVID-19. ASAIO J. 2021 Jan 1;67(1):18-24. doi: 10.1097/
MAT.0000000000001275.
54. Alakus TB, Turkoglu I. A Novel Protein Mapping Method for
Predicting the Protein Interactions in COVID-19 Disease by Deep
Learning. Interdiscip Sci. 2021 Mar;13(1):44-60. doi:
10.1007/s12539-020-00405-4. Epub 2021 Jan 12.
55. Gil-Jardiné C, Chenais G, Pradeau C, Tentillier E, Revel P, Combes
X, et al. Trends in reasons for emergency calls during the COVID-19
crisis in the department of Gironde, France using artificial neural
network for natural language classification. Scand J Trauma Resusc
Emerg Med. 2021 Mar 31;29(1):55. doi: 10.1186/s13049-021-00862-w.
56. Tran TT, Fang TY, Pham VT, Lin C, Wang PC, Lo MT. Development of an
Automatic Diagnostic Algorithm for Pediatric Otitis Media. Otol
Neurotol. 2018 Sep;39(8):1060- 1065. doi: 10.1097/MAO.0000000000001897.
57. Wieczorek M, Siłka J, Połap D, Woźniak M, Damaševičius R. Real-time
neural network based predictor for cov19 virus spread. PLoS One. 2020
Dec 17;15(12):e0243189. doi: 10.1371/journal.pone.0243189.
58. Popa IV, Diculescu M, Mihai C, Cijevschi-Prelipcean C, Burlacu A.
COVID-19 and Inflammatory Bowel Diseases: Risk Assessment, Shared
Molecular Pathways, and Therapeutic Challenges. Gastroenterology
Research and Practice. 2020 Jul 10;2020.
59. Nkamgang OT, Tchiotsop D, Tchinda BS, Fotsin HB. A neuro-fuzzy
system for automated detection and classification of human intestinal
parasites. Informatics in Medicine Unlocked. 2018;13.
60. Kolitz S, Kim J, Zhang J, Cha Y, Battula S, Kusko R, et al. 477
Deep learning to drive COVID-19 rapid drug repurposing. Journal for
ImmunoTherapy of Cancer. 2020 Nov 9;8(Suppl 3).
61. Izquierdo JL, Ancochea J; Savana COVID-19 Research Group, Soriano
JB. Clinical Characteristics and Prognostic Factors for Intensive Care
Unit Admission of Patients With COVID-19: Retrospective Study Using
Machine Learning and Natural Language Processing. J Med Internet Res.
2020 Oct 28;22(10):e21801. doi: 10.2196/21801.
62. Esteva A, Kuprel B, Novoa RA, Ko J, Swetter SM, Blau HM, Thrun S.
Corrigendum: Dermatologist-level classification of skin cancer with
deep neural networks. Nature. 2017 Jun 28;546(7660):686. doi:
10.1038/nature22985. Erratum for: Nature. 2017 Feb 2;542(7639):115-118.
63. Haenssle HA, Fink C, Schneiderbauer R, Toberer F, Buhl T, Blum A,
et al. Man against machine: diagnostic performance of a deep learning
convolutional neural network for dermoscopic melanoma recognition in
comparison to 58 dermatologists. Ann Oncol. 2018 Aug 1;29(8):1836-1842.
doi: 10.1093/annonc/mdy166.
64. Yang J, Sun X, Liang J, Rosin PL. Clinical Skin Lesion Diagnosis
Using Representations Inspired by Dermatologist Criteria. In: 2018
IEEE/CVF Conference on Computer Vision and Pattern Recognition. IEEE;
2018.
65. Maron RC, Weichenthal M, Utikal JS, Hekler A, Berking C, Hauschild
A, et al. Systematic outperformance of 112 dermatologists in multiclass
skin cancer image classification by convolutional neural networks. Eur
J Cancer. 2019 Sep;119:57-65. doi: 10.1016/j.ejca.2019.06.013. Epub
2019 Aug 14.
66. Haggenmüller S, Maron RC, Hekler A, Utikal JS, Barata C, Barnhill
RL, et al. Skin cancer classification via convolutional neural
networks: systematic review of studies involving human experts. Eur J
Cancer. 2021 Oct;156:202-216. doi: 10.1016/j.ejca.2021.06.049. Epub
2021 Sep 8.
67. Fujisawa Y, Otomo Y, Ogata Y, Nakamura Y, Fujita R, Ishitsuka Y, et
al. Deep-learning-based, computer-aided classifier developed with a
small dataset of clinical images surpasses board-certified
dermatologists in skin tumour diagnosis. Br J Dermatol. 2019
Feb;180(2):373- 381. doi: 10.1111/bjd.16924. Epub 2018 Sep 19.
68. Brinker TJ, Hekler A, Enk AH, Berking C, Haferkamp S, Hauschild A,
et al. Deep neural networks are superior to dermatologists in melanoma
image classification. Eur J Cancer. 2019 Sep;119:11-17. doi: 10.1016/j.
ejca.2019.05.023. Epub 2019 Aug 8.
69. Brinker TJ, Hekler A, Enk AH, Klode J, Hauschild A, Berking C, et
al. A convolutional neural network trained with dermoscopic images
performed on par with 145 dermatologists in a clinical melanoma image
classification task. Eur J Cancer. 2019 Apr;111:148-154. doi:
10.1016/j.ejca.2019.02.005. Epub 2019 Mar 8.
70. Brinker TJ, Hekler A, Enk AH, Klode J, Hauschild A, Berking C, Set
al. Deep learning outperformed 136 of 157 dermatologists in a
head-to-head dermoscopic melanoma image classification task. Eur J
Cancer. 2019 May;113:47-54. doi: 10.1016/j.ejca.2019.04.001. Epub 2019
Apr 10.
71. Alheejawi S, Berendt R, Jha N, Maity SP, Mandal M. Automated
proliferation index calculation for skin melanoma biopsy images using
machine learning. Comput Med Imaging Graph. 2021 Apr;89:101893. doi:
10.1016/j. compmedimag.2021.101893. Epub 2021 Mar 5.
72. 6th European Conference on Schizophrenia Research: Advancing
Research—Promoting Recovery. European Archives of Psychiatry and
Clinical Neuroscience. 2017 Sep 8;267(S1).
73. Adamou M, Antoniou G, Greasidou E, Lagani V, Charonyktakis P,
Tsamardinos I, et al. Toward Automatic Risk Assessment to Support
Suicide Prevention. Crisis. 2019 Jul;40(4):249-256. doi:
10.1027/0227-5910/a000561. Epub 2018 Nov 26.
74. Sibbritt D, Gibberd R. The effective use of a summary table and
decision tree methodology to analyze very large healthcare datasets.
Health Care Manag Sci. 2004 Aug;7(3):163-71. doi:
10.1023/b:hcms.0000039379.329 63.9e.
75. Delen D, Walker G, Kadam A. Predicting breast cancer survivability:
a comparison of three data mining methods. Artif Intell Med. 2005
Jun;34(2):113-27. doi: 10.1016/j.artmed.2004.07.002.
76. Pittet D. Infection control and quality health care in the new
millennium. Am J Infect Control. 2005 Jun;33(5):258- 67. doi:
10.1016/j.ajic.2004.11.004.
77. Stead WW. Clinical Implications and Challenges of Artificial
Intelligence and Deep Learning. JAMA. 2018 Sep 18;320(11):1107-1108.
doi: 10.1001/jama.2018.11029.
78. Gianfrancesco MA, Tamang S, Yazdany J, Schmajuk G. Potential Biases
in Machine Learning Algorithms Using Electronic Health Record Data.
JAMA Intern Med. 2018 Nov 1;178(11):1544-1547. doi:
10.1001/jamainternmed.2018.3763.
79. Park SH, Choi J, Byeon JS. Key Principles of Clinical Validation,
Device Approval, and Insurance Coverage Decisions of Artificial
Intelligence. Korean J Radiol. 2021 Mar;22(3):442-453. doi:
10.3348/kjr.2021.0048.
80. Qiu Y, Chen X, Shi W. Impacts of social and economic factors on the
transmission of coronavirus disease 2019 (COVID-19) in China. J Popul
Econ. 2020 May 9:1-46. doi: 10.1007/s00148-020-00778-2. Epub ahead of
print.