临床决策
达特茅斯推出了人工智能和精准医疗中心，旨在通过人工智能和医疗数据的交叉研究，提高精准医疗和健康成果。该中心拥有初步资金支持，将借助人工智能和机器学习等技术，推动数字生物标志物、临床决策、预测分析和精准健康方面的创新。
HIMSS23会议上，NYS Office of Mental Health的Kristen McLaughlin和Nitin Gupta将探讨如何整合大量的临床历史数据，以提供关键信息，改善医疗质量。他们将介绍如何通过焦点小组研究，开发出简明的临床摘要，以便在快节奏的临床治疗环境中快速扫描关键信息。
在HIMSS全球会议的行为健康论坛上，John MacKenzie讨论了如何使用虚拟护理来支持护理人员并帮助患有行为健康问题的患者。他强调了提供技术工具的重要性，以改善行为健康治疗选择，并减轻医疗保健提供者的心理健康挑战。
俄亥俄州立大学的研究人员开发了一种机器学习模型，可以准确估计败血症病例的最佳治疗时机，支持临床决策。
最近在JAMA Network Open上发表的一项研究描述了一种新的机器学习工具，可以帮助临床医生识别老年癌症患者中存在不良结果风险的人群。这项研究表明，老年癌症患者在癌症治疗前通常会出现各种症状，如疼痛、疲劳和失眠等。高前治疗症状严重程度的患者在癌症治疗期间经常会出现不良事件，因此需要一种方法来根据他们的不良结果风险评估来划分这些患者。
西门子医疗数字化负责人谈论了人工智能在医疗保健领域的应用，特别是ChatGPT等程序的潜在影响。他认为，这些工具可以帮助医生消化大量的科学研究数据，并提供数据摘要，但是人工智能在临床决策方面的信任问题仍然存在。
美国伊利诺伊大学的研究人员正在探究医疗人工智能和机器学习模型何时会失败或无法如预期般表现，以改进这些模型。
一项发表在《科学报告》上的研究发现，机器学习模型可以使用患者报告的症状严重程度等数据准确预测卵巢癌患者6个月的死亡率。这项研究的目的是开发一种可靠的预测工具，以识别卵巢癌患者何时接近生命的尽头，从而改善临床决策和终末期护理。
预测2023年，患者体验将成为医疗领域的重中之重，智能分析和数据驱动医疗将成为趋势。医疗机构需要利用更智能的分析应用，采用机器学习技术，真正推动医疗领域的发展。同时，医疗数据的应用也将成为医疗领域的重要趋势。
研究人员开发了一种基于人工智能的工具，可以使用EHR数据更快、更准确地识别注射药物的人群。这项研究对于改善风险评估和缓解、临床决策以及健康服务研究至关重要。
