AI en medicina.pptx

Aplicaciones de la
inteligencia artificial
en medicina
Ricardo Dávila MD
Médico Interno
Región de Salud de Panamá Este
Marzo 2023

¿Qué es la inteligencia artificial?
Rama de las ciencias de la computación que intenta entender y crear
entidades inteligentes, a menudo basada en instancias de software.
Busca simular, suplementar y/o aumentar la inteligencia humana.
Para realizar tareas complejas en prácticamente todas las ciencias.
No imitan invariablemente el funcionamiento del cerebro humano.
Comparable con el desarrollo de la aviación.
Russell, Stuart, and Peter Norvig. Artificial Intelligence: A Modern Approach. 4th ed., Pearson, 2020.
Yu, Kun-Hsing et al. “Artificial intelligence in healthcare.” Nature biomedical engineering vol. 2,10 (2018):
719-731.

La prueba de Turing: la meta de la
inteligencia artificial
Turing, A.M. “I. Computing machinery and intelligence.” Mind, vol. LIX, no. 236, (1950): 433-460.

Breve historia
Conferencia de Darmouth 1956. Minsky et al. “Cada
aspecto del aprendizaje u alguna otra característica
de la inteligencia puede ser tan precisamente
descrita que una máquina puede ser creada para
simularla”.
Detección de fraude bancario.
Robots de conversación para atención al cliente.
Diagnóstico de precisión en medicina.
Muthukrishnan, Nikesh et al. “Brief History of
Artificial Intelligence.” Neuroimaging clinics of North
America vol. 30,4 (2020): 393-399.

Breve historia
Sistema MCYN 1970
Internist-1/QMR model

Componentes de una
máquina inteligente
1. Natural language processing (NLP) → comunicación.
2. Representación del conocimiento → almacenar lo que aprende.
3. Razonamiento automatizado → responder preguntas y hacer conclusiones.
4. Machine learning (ML) → adaptarse a nuevas circunstancias, detectar y extrapolar
patrones.
5. Computer vision → percibir objetos.
6. Robótica → manipular objetos y moverse
Russell, Stuart, and Peter Norvig. Artificial Intelligence: A Modern Approach. 4th
ed., Pearson, 2020.

Algoritmos basados en reglas de
decisión
Yu, Kun-Hsing et al. “Artificial intelligence in healthcare.” Nature biomedical engineering vol. 2,10 (2018): 719-731.
Wagholikar, Kavishwar B et al. “Clinical decision support with automated text processing for cervical cancer screening.” Journal of the
American Medical Informatics Association : JAMIA vol. 19,5 (2012): 833-9. doi:10.1136/amiajnl-2012-000820

Aprendizaje de máquinas (machine
learning)
Subcampo de la ciencias de la computación que utiliza
algoritmos para identificar patrones en los datos.
Matemática, estadística y programación.
Desarrollo de modelos predictivos a partir de muestras de
datos.
Input → Output
Murphy, Kevin P. Machine Learning: A Probabilistic Perspective. Cambridge, Massachusetts, The
MIT Press, 2012.
Estadística

Yu, Kun-Hsing et al. “Artificial intelligence in
healthcare.” Nature biomedical engineering vol.
2,10 (2018): 719-731.

Aprendizaje profundo (deep learning)
Subcampo del aprendizaje de máquinas que emplea redes
neuronales artificiales con múltiples capas para identificar patrones
en los datos.
Familia de métodos de computación que permiten a un algoritmo
programarse por sí solo al aprender de un gran conjunto de
ejemplos que demuestran el comportamiento deseado, eliminando
así la necesidad de especificar reglas.
Goodfellow, I., Bengio, Y., Courville, A. & Bengio, Y. Deep Learning 1 (MIT Press, Cambridge, 2016).
Yu, Kun-Hsing et al. “Artificial intelligence in healthcare.” Nature biomedical engineering vol. 2,10 (2018): 719-731.
Gulshan, Varun et al. “Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal
Fundus Photographs.” JAMA vol. 316,22 (2016): 2402-2410.

Paradigma biológico
Muthukrishnan, Nikesh et al. “Brief History of Artificial Intelligence.” Neuroimaging clinics of
North America vol. 30,4 (2020): 393-399.

Modelo matemático
Rosenblatt, F. “The perceptron: a probabilistic model for information storage and organization
in the brain.” Psychological Review, vol. 65, no. 6, (1958): 386–408.

Guresen E, Kayakutlu G. Definition of Artificial Neural Networks with comparison to other networks. Procedia
Comput Sci 2011; 3:426–433

Redes neuronales artificiales
Combinación paralela masiva de unidades de procesamiento sencillo que
puede adquirir conocimiento del ambiente a través de un proceso de
aprendizaje y almacenar el conocimiento dentro de sus conexiones.
Entrenamiento con datos preclasificados.
Extracción de características o tendencias del conjunto de datos.
Clasificación prospectiva de datos en base a lo aprendido (generalizable).
Guresen E, Kayakutlu G. Definition of Artificial Neural Networks with comparison to other networks. Procedia
Comput Sci 2011; 3:426–433

Esteva, Andre et al. “A guide to deep learning in
healthcare.” Nature medicine vol. 25,1 (2019): 24-
29.

Muthukrishnan, Nikesh et al. “Brief History of Artificial Intelligence.”
Neuroimaging clinics of North America vol. 30,4 (2020): 393-399.
Inteligencia artificial→ simular la inteligencia
humana.
ML→ aprender asociaciones complejas (patrones).
● Modelos predictivos.
● Extracción de características óptimas.
DL→ aprendizaje del conjunto óptimo de
características de la muestra de datos.

Estadísticos de desempeño en clasificación
binaria.
Yang, Zhongliang et al. “Clinical Assistant Diagnosis for Electronic Medical Record Based on Convolutional Neural Network.” Scientific reports vol. 8,1 6329. 20 Apr. 20
doi:10.1038/s41598-018-24389-w
Shoenbill, Kimberly et al. “Natural language processing of lifestyle modification documentation.” Health informatics journal vol. 26,1 (2020): 388-405.
doi:10.1177/1460458218824742
Gulshan, Varun et al. “Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal Fundus Photographs.” JAMA vol.
316,22 (2016): 2402-2410.

Gulshan, Varun et al. “Development and Validation of a Deep Learning Algorithm for Detection of
Diabetic Retinopathy in Retinal Fundus Photographs.” JAMA vol. 316,22 (2016): 2402-2410.
Lily Peng. Google Research.

Gulshan, Varun et al. “Development and Validation of a Deep Learning Algorithm for Detection of Diabetic
Retinopathy in Retinal Fundus Photographs.” JAMA vol. 316,22 (2016): 2402-2410. Lily Peng. Google Research.

Poplin, Ryan et al. “Prediction of cardiovascular risk factors from retinal fundus photographs via deep learning.”
Nature biomedical engineering vol. 2,3 (2018): 158-164.

Este trabajo demuestra que mediante métodos de inteligencia
artificial es posible hacer observaciones, reconocer patrones y
relaciones entre variables que el ser humano no había
descubierto hasta la fecha.
El DL se aprovecha de colecciones masivas de datos para hacer
observaciones y predicciones.
Tareas imposibles de medir para el ser humano.

Esteva, Andre et al. “Dermatologist-level classification of skin cancer with deep neural networks.” Nature vol.
542,7639 (2017): 115-118. doi:10.1038/nature21056

Haenssle, H A et al. “Man against machine: diagnostic performance of a deep learning convolutional neural network for dermoscopic melanoma
recognition in comparison to 58 dermatologists.” Annals of oncology : official journal of the European Society for Medical Oncology vol. 29,8
(2018): 1836-1842. doi:10.1093/annonc/mdy166

Haenssle, H A et al. “Man against machine: diagnostic performance of a deep learning convolutional neural network for dermoscopic melanoma recognition
in comparison to 58 dermatologists.” Annals of oncology : official journal of the European Society for Medical Oncology vol. 29,8 (2018): 1836-1842.
doi:10.1093/annonc/mdy166

Procesamiento de lenguaje natural
Área de la informática que se ocupa de los métodos para analizar,
modelar y comprender el lenguaje humano. Cada aplicación
inteligente que involucra lenguaje humano tiene algo de NLP detrás.
Natural Language processing. MIT open courseware. Lecture 7 Part 1. Massachusetts Institute of
Technology. 2022.
Sowmya Vajjala, Bodhisattwa Majumder, Anuj Gupta, and Harshit Surana. Practical Natural Language
Processing. O’Rilley Media, Inc. Junio 2020.

Sowmya Vajjala, Bodhisattwa Majumder, Anuj Gupta, and Harshit Surana. Practical Natural
Language Processing. O’Rilley Media, Inc. Junio 2020.

Natural Language processing. MIT open courseware. Lecture 7 Part 1. Massachusetts Institute of Technology.
2022.

¿Por qué es importante el NLP?

Revisión sistemática PRISMA.
Consideraron 2652 artículos y 106 fueron incluidos.
43 enfermedades crónicas.
Sheikhalishahi, Seyedmostafa et al. “Natural Language Processing of Clinical Notes on Chronic Diseases: Systematic
Review.” JMIR medical informatics vol. 7,2 e12239. 27 Apr. 2019, doi:10.2196/12239

Review.” JMIR medical informatics vol. 7,2 e12239. 27 Apr. 2019, doi:10.2196/12239

49.1% corpus
privados.
9.9% MIMIC-III
71.2% inglés.
19.8% chino.
español 2.4%.
previas revisiones
el segundo idioma
era francés.
Chino y español
crecieron.
Wu, Stephen et al. “Deep learning in clinical natural language processing: a methodical review.” Journal of the
American Medical Informatics Association : JAMIA vol. 27,3 (2020): 457-470. doi:10.1093/jamia/ocz200

Denny, Joshua C et al. “Natural language processing improves identification of colorectal cancer testing in the
electronic medical record.” Medical decision making : an international journal of the Society for Medical Decision
Making vol. 32,1 (2012): 188-97. doi:10.1177/0272989X11400418

Carrell, David S et al. “Using natural language processing to improve efficiency of manual chart
abstraction in research: the case of breast cancer recurrence.” American journal of epidemiology
vol. 179,6 (2014): 749-58. doi:10.1093/aje/kwt441

Steinkamp, Jackson M et al. “Task definition, annotated dataset, and supervised natural language processing models
for symptom extraction from unstructured clinical notes.” Journal of biomedical informatics vol. 102 (2020): 103354.
doi:10.1016/j.jbi.2019.103354

Shoenbill y col. lograron medir, en más de 400 000 notas clínicas de 14 360 pacientes, el
porcentaje de pacientes que fueron evaluados y recibieron consejería sobre modificación a
su estilo de vida a través de estrategias de NLP de libre acceso como cTAKES y código
Python. Encontraron que 78.36% recibieron consejería sobre modificar el estilo de vida,
pero sólo 5.9% de las notas clínicas documentaron dichos esfuerzos, lo que sugiere que
a pesar de que el personal de salud aborda el tema, no existió repaso de las intervenciones
en visitas repetidas. Obtuvieron resultados prometedores de rendimiento con sensibilidad y
valor predictivo positivo de 99.27% y 94.44%, respectivamente. Con F1 de 96.79%.
Shoenbill, Kimberly et al. “Natural language processing of lifestyle modification documentation.” Health
informatics journal vol. 26,1 (2020): 388-405. doi:10.1177/1460458218824742

Sed de datos. Problema de
confidencialidad.
Un reto para el desarrollo de aplicaciones clínicas basadas en NLP es la necesidad de gran
cantidad de datos con anotaciones de alta calidad para entrenar modelos generalizables, sin
embargo, gran parte de la información clínica pertenecen a bases de datos que no pueden hacerse
públicas por consideración de la privacidad de los pacientes.
Oportunidad en bases de datos libres: MIMIC-III.
Entzeridou, Eleni et al. “Public and physician's expectations and ethical concerns about electronic health
record: Benefits outweigh risks except for information security.” International journal of medical informatics
vol. 110 (2018): 98-107. doi:10.1016/j.ijmedinf.2017.12.004
Johnson, Alistair E W et al. “MIMIC-III, a freely accessible critical care database.” Scientific data vol. 3
160035. 24 May. 2016, doi:10.1038/sdata.2016.35

Johnson, Alistair E W et al. “MIMIC-III, a freely accessible critical care database.” Scientific data vol. 3 160035. 24
May. 2016, doi:10.1038/sdata.2016.35

Portabilidad de modelos (transferibilidad).
Considerando el problema ético que representa entrenar
algoritmos de inteligencia artificial en conjuntos de datos
privados, como los expedientes clínicos, surge la necesidad de
modelos de NLP portables o transferibles, que puedan ser
entrenados con bibliotecas de expedientes clínicos
desidentificados y ser aplicados con éxitos en otras bases de
datos.

Weng, Wei-Hung et al. “Medical subdomain classification of clinical notes using a machine learning-
based natural language processing approach.” BMC medical informatics and decision making vol. 17,1
155. 1 Dec. 2017, doi:10.1186/s12911-017-0556-8

Modelo transferible. Parcialmente.
Múltiples modelos de NLP para clasificar la especialidad médica a la que pertenece determinada
nota clínica.
Mejor desempeño obtenido por red neuronal convolucional.
Entrenada en 2 bases de datos: iDASH y en el repositorio de datos del MGH.
Demostraron portabilidad del modelo.
Para cardiología, modelo entrenado en iDASH obtuvo F1 0.806, VPP 0.923 y Sensibilidad de
0.715 en MGH. Resto de especialidades con menor éxito.
Weng, Wei-Hung et al. “Medical subdomain classification of clinical notes using a machine learning-
based natural language processing approach.” BMC medical informatics and decision making vol. 17,1
155. 1 Dec. 2017, doi:10.1186/s12911-017-0556-8

Entrenaron un modelo de reconocimiento de entidades nombradas (NER) para reconocer 7
categorías: nombres de fármacos, ruta de administración, frecuencia, dosis, potencia, forma
y duración de la base de datos MIMIC-III.
Transferencia del modelo para NER a expedientes de base de datos UK-CRIS.
Rendimiento con F1 94.4%.
Kormilitzin, Andrey et al. “Med7: A transferable clinical natural language processing model for electronic health
records.” Artificial intelligence in medicine vol. 118 (2021): 102086. doi:10.1016/j.artmed.2021.102086

Nawab y col. utilizaron herramientas de NLP para estudiar las opiniones de los pacientes sobre la percepción
de la calidad de atención brindada en un centro hospitalario.20
Nawab, Khalid et al. “Natural Language Processing to Extract Meaningful Information from Patient Experience Feedback.” Applied
clinical informatics vol. 11,2 (2020): 242-252. doi:10.1055/s-0040-1708049

Roser, Brittany J et al. “A data
extraction algorithm for
assessment of contraceptive
counseling and provision.”
American journal of obstetrics
and gynecology vol. 218,3
(2018): 333.e1-333.e5.
doi:10.1016/j.ajog.2017.11.578

Sistemas de soporte de decisión clínica
(CDSS)…

Sistemas de soporte de decisión clínica
automatizados.
24 centros de APS en Castilla-La Mancha.
NLP en tiempo real de las historias clínicas.
Emite alertas con recomendaciones basadas en evidencia.
Estudio cross-over no aleatorizado pequeño (limitante).
Cruz, Noa P et al. “Improving Adherence to Clinical Pathways Through Natural Language Processing on Electronic
Medical Records.” Studies in health technology and informatics vol. 264 (2019): 561-565. doi:10.3233/SHTI190285

Solamente 50% de las embarazadas diagnosticadas con infección
de vía urinaria se les indicó un cultivo de orina, luego de la
implementación del CDSS, este porcentaje incrementó a 100%
(prueba-t, p=0.013).23

Yang, Zhongliang et al. “Clinical Assistant Diagnosis for Electronic Medical Record Based on Convolutional Neural
Network.” Scientific reports vol. 8,1 6329. 20 Apr. 2018, doi:10.1038/s41598-018-24389-w

Modelo de diagnóstico auxiliar basado en DL.
Extrae automáticamente información de alto nivel semántico de las historias clínicas
Logró diagnosticar enfermedades sin uso de reglas de decisión.
7000 expedientes electrónicos Hospital Central de Huagnshi.
precisión de 95.94%, sensibilidad de 96.02%, valor F1 de 95.96% y exactitud del 98.67%
con la red neuronal convolucional.

Yang, Zhongliang et al. “Clinical
Assistant Diagnosis for Electronic
Medical Record Based on
Convolutional Neural Network.”
Scientific reports vol. 8,1 6329. 20 Apr.
2018, doi:10.1038/s41598-018-24389-
w

Yang,
Zhongliang et
al. “Clinical
Assistant
Diagnosis for
Electronic
Medical Record
Based on
Convolutional
Neural
Network.”
Scientific
reports vol. 8,1
6329. 20 Apr.
2018,
doi:10.1038/s41
598-018-
24389-w

Liu, Ran et al. “Data-driven discovery of a novel sepsis pre-shock state predicts impending septic shock in the ICU.”
Scientific reports vol. 9,1 6145. 16 Apr. 2019, doi:10.1038/s41598-019-42637-5

Liu, Ran et al. “NaturalLanguage Processing of Clinical Notes for Improved Early Prediction of Septic Shock in the ICU.” Annual International Conference of the IEEE Engineering in Medicine and
Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference vol. 2019 (2019): 6103-6108. doi:10.1109/EMBC.2019.8857819

Liu, Ran et al. “NaturalLanguage Processing of Clinical Notes for
Improved Early Prediction of Septic Shock in the ICU.” Annual
International Conference of the IEEE Engineering in Medicine
and Biology Society. IEEE Engineering in Medicine and Biology
Society. Annual International Conference vol. 2019 (2019):
6103-6108.doi:10.1109/EMBC.2019.8857819

Goh, K.H., Wang, L., Yeow, A.Y.K. et al. Artificial intelligence in sepsis early prediction and diagnosis using unstructured
data in healthcare. Nat Commun 12, 711 (2021). https://doi.org/10.1038/s41467-021-20910-4

Goh, K.H., Wang, L., Yeow,
A.Y.K. et al. Artificial
intelligence in sepsis early
prediction and diagnosis
using unstructured data in
healthcare. Nat Commun 12,
711 (2021).
https://doi.org/10.1038/s414
67-021-20910-4

48 horas antes del inicio de la sepsis el algoritmo SERA puede diagnosticar 78% de los pacientes
que eventualmente tendrán sepsis (sensibilidad).
12 horas antes la sensibilidad sube a 86%
48 horas antes: médicos, detectan solamente 53% de los pacientes que tendrán sepsis.
6 horas antes: médicos diagnostican 58%.
Goh, K.H., Wang, L., Yeow, A.Y.K. et al. Artificial intelligence in sepsis early prediction and diagnosis using unstructured
data in healthcare. Nat Commun 12, 711 (2021). https://doi.org/10.1038/s41467-021-20910-4

Elkin, Peter L et al. “Using Artificial Intelligence With Natural Language Processing to Combine Electronic Health Record's Structured and Free Text Data
to Identify Nonvalvular Atrial Fibrillation to Decrease Strokes and Death: Evaluation and Case-Control Study.” Journal of medical Internet research vol.
23,11 e28946. 9 Nov. 2021, doi:10.2196/28946

Conclusiones
Las herramientas de procesamiento de lenguaje natural permiten evaluar la adherencia de
los clínicos a las normas y algoritmos de manejo basados en la evidencia, garantizando así
la transparencia y calidad en la atención clínica.

Russell, Stuart, and Peter Norvig. Artificial Intelligence: A Modern Approach. 4th ed., Pearson, 2020.Yu, Kun-Hsing et al.
“Artificial intelligence in healthcare.” Nature biomedical engineering vol. 2,10 (2018): 719-731. Turing, A.M. “I.
Computing machinery and intelligence.” Mind, vol. LIX, no. 236, (1950): 433-460.Muthukrishnan,
Nikesh et al. “Brief History of Artificial Intelligence.” Neuroimaging clinics of North America vol. 30,4 (2020): 393-399.
Murphy, Kevin P. Machine Learning: A Probabilistic Perspective. Cambridge, Massachusetts, The MIT Press, 2012.Sidey-
Gibbons, Jenni A M, and Chris J Sidey-Gibbons. “Machine learning in medicine: a practical introduction.” BMC medical
research methodology vol. 19,1 64. 19 Mar. 2019.
Esteva, Andre et al. “A guide to deep learning in healthcare.” Nature medicine vol. 25,1 (2019): 24-29.
McCulloch, Warren S., and Walter Pitts. “A logical calculus of the ideas immanent in nervous activity.” The bulletin of
mathematical biophysics, no. 5, (1943): 115–133.
Rosenblatt, F. “The perceptron: a probabilistic model for information storage and organization in the brain.” Psychological
Review, vol. 65, no. 6, (1958): 386–408.
Gulshan, Varun et al. “Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy
in Retinal Fundus Photographs.” JAMA vol. 316,22 (2016): 2402-2410.
Poplin, Ryan et al. “Prediction of cardiovascular risk factors from retinal fundus photographs via deep learning.” Nature
biomedical engineering vol. 2,3 (2018): 158-164.

Sheikhalishahi, Seyedmostafa et al. “Natural Language Processing of Clinical Notes on Chronic Diseases: Systematic Review.” JMIR medical informatics vol. 7,2 e12239. 27 Apr.
2019, doi:10.2196/12239
Denny, Joshua C et al. “Natural language processing improves identification of colorectal cancer testing in the electronic medical record.” Medical decision making : an
international journal of the Society for Medical Decision Making vol. 32,1 (2012): 188-97. doi:10.1177/0272989X11400418
Carrell, David S et al. “Using natural language processing to improve efficiency of manual chart abstraction in research: the case of breast cancer recurrence.” American journal of
epidemiology vol. 179,6 (2014): 749-58. doi:10.1093/aje/kwt441
Steinkamp, Jackson M et al. “Task definition, annotated dataset, and supervised natural language processing models for symptom extraction from unstructured clinical notes.”
Journal of biomedical informatics vol. 102 (2020): 103354. doi:10.1016/j.jbi.2019.103354
Entzeridou, Eleni et al. “Public and physician's expectations and ethical concerns about electronic health record: Benefits outweigh risks except for information security.”
International journal of medical informatics vol. 110 (2018): 98-107. doi:10.1016/j.ijmedinf.2017.12.004
Johnson, Alistair E W et al. “MIMIC-III, a freely accessible critical care database.” Scientific data vol. 3 160035. 24 May. 2016, doi:10.1038/sdata.2016.35
Weng, Wei-Hung et al. “Medical subdomain classification of clinical notes using a machine learning-based natural language processing approach.” BMC medical informatics and
decision making vol. 17,1 155. 1 Dec. 2017, doi:10.1186/s12911-017-0556-8
Kormilitzin, Andrey et al. “Med7: A transferable clinical natural language processing model for electronic health records.” Artificial intelligence in medicine vol. 118 (2021):
102086. doi:10.1016/j.artmed.2021.102086
Guresen E, Kayakutlu G. Definition of Artificial Neural Networks with comparison to other networks. Procedia Comput Sci 2011; 3:426–433
Nawab, Khalid et al. “Natural Language Processing to Extract Meaningful Information from Patient Experience Feedback.” Applied clinical informatics vol. 11,2 (2020): 242-252.
doi:10.1055/s-0040-1708049
Roser, Brittany J et al. “A data extraction algorithm for assessment of contraceptive counseling and provision.” American journal of obstetrics and gynecology vol. 218,3 (2018):
333.e1-333.e5. doi:10.1016/j.ajog.2017.11.578

Shoenbill, Kimberly et al. “Natural language processing of lifestyle modification documentation.” Health informatics
journal vol. 26,1 (2020): 388-405. doi:10.1177/1460458218824742
Cruz, Noa P et al. “Improving Adherence to Clinical Pathways Through Natural Language Processing on Electronic Medical
Records.” Studies in health technology and informatics vol. 264 (2019): 561-565. doi:10.3233/SHTI190285
Leder Macek, Aleeza J et al. “Validation of rule-based algorithms to determine colorectal, breast, and cervical cancer
screening status using electronic health record data from an urban healthcare system in New York City.” Preventive
medicine reports vol. 24 101599. 12 Oct. 2021, doi:10.1016/j.pmedr.2021.101599
Wagholikar, Kavishwar B et al. “Clinical decision support with automated text processing for cervical cancer screening.”
Journal of the American Medical Informatics Association : JAMIA vol. 19,5 (2012): 833-9. doi:10.1136/amiajnl-2012-
000820
Wu, Stephen et al. “Deep learning in clinical natural language processing: a methodical review.” Journal of the American
Medical Informatics Association : JAMIA vol. 27,3 (2020): 457-470. doi:10.1093/jamia/ocz200

AI en medicina.pptx

Recomendados

Recomendados

Más contenido relacionado

La actualidad más candente

La actualidad más candente (20)

Similar a AI en medicina.pptx

Similar a AI en medicina.pptx (20)

Último

Último (20)

AI en medicina.pptx