The Promise of Explainable AI in Digital Health for Precision Medicine: A Systematic Review
Das Potenzial von Explainable AI in der digitalen Gesundheit für die Präzisionsmedizin: systematische Übersichtsarbeit
Journal of Personalized Medicine · 01.03.2024 · 14 (3) · 277
DOI: 10.3390/jpm14030277 ↗Auf einen Blick
Die Übersichtsarbeit fasst 27 Fachartikel zu erklärbarer KI für digitale Gesundheitsdaten in der Präzisionsmedizin zusammen. Thematisch standen datengetriebene Medizin, prädiktive Modelle und Krankheitsvorhersage im Fokus.
Fragestellung
Wie wird Explainable AI zur Erklärung von Machine-Learning-Modellen mit digitalen Gesundheitsdaten in der Präzisionsmedizin beschrieben?
Methode
Systematische Übersichtsarbeit; Google-Scholar-Suche bis 19. September 2023; Topic-Modeling über 27 Fachartikel.
Ergebnisse
27 Journalartikel. Identifizierte Themen: Optimierung der Patientenversorgung durch datengetriebene Medizin, prädiktive Modellierung mit Daten und Algorithmen, Krankheitsvorhersage mit Deep Learning biomedizinischer Daten und Machine Learning in der Medizin.
Schlussfolgerung der Autor:innen
Die Autor:innen betonen die Rolle von Explainable AI für Transparenz, Rechenschaftspflicht und Vertrauen und sehen weiteren Entwicklungs- und Validierungsbedarf für Erklärungsmethoden.
Kernaussagen
- 27 Fachartikel wurden thematisch zusammengefasst
- Schwerpunkte: datengetriebene Medizin, prädiktive Modelle, Krankheitsvorhersage
- Weiterer Entwicklungs- und Validierungsbedarf für Erklärungsmethoden
Deutsche Zusammenfassung: KI-gestützt aus dem Original-Abstract erstellt; alle Zahlen wurden automatisch mit dem Original abgeglichen. Maßgeblich ist der Original-Abstract.
Kurz gefasst
Übersichtsarbeit in der Zeitschrift Journal of Personalized Medicine, online erschienen am 01.03.2024. Verfasst von Ben Allen. Beteiligte Einrichtung: Department of Psychology, University of Kansas, Lawrence, KS 66045, USA. Die Arbeit wurde bisher 105-mal zitiert (Crossref) und nennt 89 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0).
Themen: Digitalisierung in der Pflege
Abstract (Originalsprache)
This review synthesizes the literature on explaining machine-learning models for digital health data in precision medicine. As healthcare increasingly tailors treatments to individual characteristics, the integration of artificial intelligence with digital health data becomes crucial. Leveraging a topic-modeling approach, this paper distills the key themes of 27 journal articles. We included peer-reviewed journal articles written in English, with no time constraints on the search. A Google Scholar search, conducted up to 19 September 2023, yielded 27 journal articles. Through a topic-modeling approach, the identified topics encompassed optimizing patient healthcare through data-driven medicine, predictive modeling with data and algorithms, predicting diseases with deep learning of biomedical data, and machine learning in medicine. This review delves into specific applications of explainable artificial intelligence, emphasizing its role in fostering transparency, accountability, and trust within the healthcare domain. Our review highlights the necessity for further development and validation of explanation methods to advance precision healthcare delivery.
Schlagwörter
Stichwörter der Autor:innen
Autor:innen und Institutionen
- Department of Psychology, University of Kansas, Lawrence, KS 66045, USA.
Zitieren
APA
Allen, B. (2024). The Promise of Explainable AI in Digital Health for Precision Medicine: A Systematic Review. Journal of Personalized Medicine, 14(3), 277. https://doi.org/10.3390/jpm14030277
Vancouver
Allen B. The Promise of Explainable AI in Digital Health for Precision Medicine: A Systematic Review. Journal of Personalized Medicine. 2024;14(3):277. doi:10.3390/jpm14030277
BibTeX
@article{Allen2024,
author = {Allen, Ben},
title = {The Promise of Explainable AI in Digital Health for Precision Medicine: A Systematic Review},
journal = {Journal of Personalized Medicine},
year = {2024},
volume = {14},
number = {3},
pages = {277},
doi = {10.3390/jpm14030277}
}
EUVIMED