Inteligencia artificial y Machine Learning. Aplicaciones en ciencias de la salud

DCBMM

Pérez-Guerrero Edsaúl Emilio

Instituto de Investigación en Ciencias Biomédicas/Universidad de Guadalajara

abril, 2024

Objetivos

Comprender los conceptos generales sobre Inteligencia artificial y Machine learning y sus aplicaciones en ciencias de la salud.

Presentar una guía sobre como iniciar en nteligencia artificial y Machine learning

Esta plática está pensada como una introducción a la Inteligencia artificial y Machine learning y no se abordaran aspectos matemáticos relacionados al tema

Agenda

Introducción a la Inteligencia Artificial (IA) y el Machine Learning (ML)

Diferencias entre IA, ML y deep learning

¿Cómo funciona la IA y el ML?

¿Por qué es relevante la IA y el ML en ciencias de la salud y Biología Molecular?

Aplicaciones prácticas en ciencias de la salud

Conceptos clave para comenzar en AI y en ML

¿Cómo comenzar en en la AI y el ML?

Limitantes de la IA y el ML

Conclusiones y perspectivas

Introducción y conceptos básicos

Inteligencia artificial y machine learning en todos lados

Inteligencia artificial y machine learning en todos lados

Inteligencia artificial y machine learning en todos lados

Inteligencia artificial y machine learning en todos lados

Historia de la IA y el ML

Diferencias entre IA, ML y deep learning

Inteligencia artificial (IA), Machine learning (ML) y Deep learning

Conceptos similares

Inteligencia artificial
Machine learning
Deep learning

¿Qué son?

¿Son lo mismo?

¿Cuales son sus diferencias?

IA, ML y Deep learning

(Gupta et al., 2021), (Quazi, 2022) ::: footer

:::

IA, ML y Deep learning

Inteligencia Artificial	Machine Learning	Deep Learning
`Rama de la informática` que desarrolla sistemas capaces de realizar tareas que normalmente requerirían inteligencia humana.	`Subconjunto de IA` que se centra en la capacidad de las máquinas para aprender de los datos.	`Subconjunto de ML` que utiliza redes neuronales profundas para analizar patrones en los datos.
Basado en reglas y lógica para la toma de decisiones.	Aprendizaje automático a partir de datos	Aprendizaje a través de la abstracción y reconocimiento de patrones en grandes conjuntos de datos.

(Gupta et al., 2021)

¿Cómo funciona la AI y el ML?

¿Cómo funciona la AI y el ML?. AI y ML en todos lados

Esto es un perro

¿Cómo funciona la AI y el ML?. AI y ML en todos lados

Estos también son perros

¿Cómo funciona la AI y el ML?. AI y ML en todos lados

¿Cómo sé que un perro es un perro?

¿Cómo funciona la AI y el ML?. AI y ML en todos lados

AI y ML ¿Cómo funcionan?

(Gupta et al., 2021), (Quazi, 2022)

AI y ML ¿Cómo funcionan?

(Deo, 2015)

Algunos algoritmos utilizados en AI y ML

Algunos algoritmos en ML (Gupta et al., 2021), (Quazi, 2022)

Aprendizaje supervisado

Ejemplo de aprendizaje supervisado en ciencias de la salud

(Chiappa et al., 2023)

Aprendizaje No supervisado en ciencias de la salud

Aprendizaje No supervisado

Ejemplo de aprendizaje No supervisado en ciencias de la salud

(Shvetcov et al., 2023)

Aprendizaje por refuerzo

Tipos apredinzaje

En que situaciones utilizarlos

Aprendizaje supervisado

Es útil cuando tienes datos etiquetados y cuando el objetivo es predecir o clasificar nuevos ejemplos en base a esas etiquetas

Diagnóstico de enfermedades: Modelos para predecir si un pacientes tiene una enfermedad especifica utilizando datos clínicos, epidemiológicos, imágenes. “Enfermo” “No enfermo”
Genómica: Predicción de la función de genes o la estructura de proteínas a partir de secuencias de ADN o ARN, donde las secuencias ya están etiquetadas con la función o estructura correspondiente

En que situaciones utilizarlos

Aprendizaje NO supervisado

Es útil para descubrir patrones y no se conoce la etiqueta de los datos

Agrupación de pacientes: Identificar subgrupos de pacientes con características clínicas similares. Muy útil en medicina personalizada y de precisión. No se si el paciente responde o no
Análisis de expresión: Descubrir patrones o grupos en datos de expresión génica donde no sabemos de antemano qué patrones buscar

En que situaciones utilizarlos

Aprendizaje NO supervisado

El aprendizaje por refuerzo es efectivo en situaciones donde puedes simular un entorno y aprender de las acciones que maximizan una recompensa a través del tiempo.

Optimización de tratamiento

¿Por qué son relevantes la AI y ML en ciencias de la salud?

Cantidad de articulos publicados en PubMed

¿De qué hablan las publicaciones?

Abstracts publicados en Pubmed 2020-2024

¿De qué hablan las publicaciones?

Títulos de artículos publicados en Pubmed 2020-2024

Algunos ejemplos y aplicaciones de la IA y el ML en medicina y ciencias de la salud

Machine learning for clinical decision

La consideración de datos completos de pacientes de entornos de atención médica socioeconómicamente diversos, incluida la atención primaria y los países de ingresos bajos y medianos, puede mejorar la capacidad de decisiones soportadas por ML para sugerir decisiones adaptadas a diversos contextos clínicos (Peiffer-Smadja et al., 2020)

Algunos usos de la IA y el ML en ciencias de la salud

Diagnóstico (Myszczynska et al., 2020), (Erickson et al., 2017)

Predicción y prevención de enfermedades (Yin et al., 2022), (Peiffer-Smadja et al., 2020)

Medicina personalizada (MacEachern & Forkert, 2021)

Desarrollo de fármacos (Vamathevan et al., 2019)

Gestión hospitalaria (Goto et al., 2019), (Munjal et al., 2023)

Monitoreo de pacientes (H.-C. Lee et al., 2018)

Decisiones clínicas (Boussen et al., 2022)

Detección y diagnóstico en enfermeadades neurodegenerativas (Myszczynska et al., 2020)

Avances en el diagnóstico temprano de enfermedades neurodegenerativas

Medicina personalizada

Khanna et al. desarrollaron un modelo de aprendizaje automático de árbol mejorado para predecir el tiempo hasta el diagnóstico de la enfermedad de Alzheimer en sujetos normales y pacientes con deterioro cognitivo leve basándose en información del genotipo, neuroimagen y datos clínicos, incluidas medidas neuropsicológicas, adquiridos por la Iniciativa de Neuroimagen de la Enfermedad de Alzheimer (Khanna et al., 2018)
Lin et al. desarrollaron un modelo de aprendizaje profundo para predecir la respuesta al tratamiento antidepresivo en pacientes con trastorno depresivo mayor basándose en datos de SNP, demográficos y clínicos, logrando una sensibilidad del 75 % y una especificidad del 69 % (Lin et al., 2018)

Medicina personalizada

650 pacientes con adenocarncinoma ductal pancreático
Objetivo del modelo: Clasificar a los pacientes en etapa I, II
52 biomarcadores (proteínas, ADN, ARN) obtenidos de vesículas extracelulares
Las muestras para el conjunto de entrenamiento se obtuvieron de biorrepositorios comerciales
AUC de 0.971 (IC del 95 % = 0.953–0.986) con una sensibilidad del 93.3 % (IC del 95 %: 86.9–96.7) y una especificidad del 91.0 % (IC del 95 %: 88.3–93.1)

(Hinestrosa et al., 2023)

Medicina personalizada

(Hinestrosa et al., 2023)

Medicina personalizada Hinestrosa et al. (2023)

(Hinestrosa et al., 2023)

Medicina personalizada

Aplicaron un modelo de ML utilizando 16 miRNAs e identificaron efectivamente a pacientes con resputa la Imatinib

(Wu et al., 2023)

Desarrollo de fármacos

(Vamathevan et al., 2019)

Gestión hospitalaria y predicción

Diseñaron un algoritmo para evaluar la gravedad de los pacientes con COVID-19 y las necesidades de intubación dinámica y predecir la duración de su estadía utilizando las señales de frecuencia respiratoria (BF) y saturación de oxígeno (SpO ₂ ) (Boussen et al., 2022)
La puntuación MS ₂₄ permitió distinguir tres niveles de gravedad con mayor riesgo de intubación: verde (3,4%), naranja (37%) y rojo (77%)
Algoritmo útil para decidir que pacientes son intubados y cuales no

Aplicación en la gestión hospitalaria

El objetivo de este estudio fueron desarrollar y evaluar un modelo predictivo clínico basado en registros médicos electrónicos para identificar necesidades de salud complejas de alto riesgo (Ming et al., 2023)
El modelo demostró ser útil

Aplicación en el Monitoreo de pacientes

Estudio en el que se aplicó el uso de redes nueronales con datos farmacocinéticos y farmacodinámicos
El objetivo principal de este estudio es construir un modelo empírico que prediga cambios en la produndidad de la anestesia durante las infusiones controladas de propofol y remifentanilo
El modelo de aprendizaje profundo fue mejor que la medición del método tradicional (H.-C. Lee et al., 2018)

Aplicaciones de la IA en emergencias

Campo	Aplicación	Método	Autores
Triage	Predecir resultados de hospitalización y cuidados críticos;	Regresión de lazo, random forest, redes nueronales	(Raita et al., 2019)
Predicción del riesgo específico de la enfermedad	Detectar el asma pediátrica durante la clasificación utilizando datos clínicos combinados con información sobre el clima, las características del vecindario, la carga viral de la comunidad y el estado socioeconómico	Máquina de aumento de gradiente, árbol de decisión, bosque aleatorio y regresión con lazo	(Patel et al., 2018 )

Aplicaciones de la IA en emergencias

Campo	Aplicación	Método	Autores
Imágenes	Desarrollar modelos de aprendizaje profundo para predecir fracturas en radiografías de muñeca	Regresión multivariada y modelo potenciado por gradiente para extraer inferencias causales	(Lindsey et al., 2018)
Imágenes	Ecocardiograma y predicción de la mortalidad.	Redes neuronales convolucionales	(Feng et al., 2018)
Cirugiías	Desarrollar una política de programación óptima para minimizar los tiempos de espera	Aprendizaje reforzado	(S. Lee & Lee, 2020)

Aplicaciones de IA en diversas enfermedades

Enfermedad	Algoritmos	Aplicación	Autores
COVID-19	Regresión lasso, Support vector machine	Estimación de la cantidad de personas futuras afectadas por el COVID-19,	(Rustam F, 2020)
Infarto cerebral	Support vector machine	Predicción de infarto cerebral utilizando datos del crecimiento de hematomas.	(Liu et al., 2019)

Aplicaciones de IA en diversas enfermedades

Enfermedad	Algoritmos	Aplicación	Autores
Tumor cerebral	Support vector machine, k vecinos más cercanos, Radio Frecuencias, Linear Discriminant Analysis	Diagnóstico	(G, 2019)
Enfermedades hepáticas	Support vector machine	Algoritmos con una mayor tasa de precisión para identificar enfermedades hepáticas	(Durai V, 2019)
Alzheimer	Support vector machine	Diagnóstico	(Kulkarni & Bairagi, 2017)

¿Cómo comenzar en IA y ML?

¿Cuándo? ¿Por qué?

Manejo de Grandes Cantidades de Datos
Análisis Multidimensional
Reconocimiento de Patrones Complejos
Predicción Mejorada
Automatización

Flexibilidad
Manejo de Datos No Estructurados
Actualización en Tiempo Real
Interdisciplinariedad
Simulaciones y Modelos Computacionales

(Wiemken & Kelley, 2020)

Una guía general para comenzar

Tamaño de muestra

Complejidad del modelo
Variabilidad de los datos
Calidad de los datos
Área de aplicación

Una guía general para comenzar

Preentramiento

Es una técnica utilizada en machine learning, para mejorar la capacidad de generalización y eficiencia del aprendizaje de un modelo en tareas específicas

Mejora el desempeño del modelo
Mayor eficiencia en el aprenidaje
Requiere menos datos

Una guía general para comenzar

Ajuste de hiperparamétros

Una guía general para comenzar

Ajuste de hiperparamétros

Una guía general para comenzar

Selección del modelo

Definición del problema (clasificar, predecir, agrupamientos)
Entendimiento de los datos (tamaño de muestra, tipo de datos, demensionalidad)
Complejidad del modelo (los modelos simples son mejores)
Validación y evaluación del modelo
Probar diferente modelos

(Silva et al., 2022) (Uddin et al., 2022)

Una guía general para comenzar

Datos de entremiento

Una guía general para comenzar

Datos de entremiento

Una guía general para comenzar

Entrenamiento

Proceso en el que un conjunto de datos para enseñar al modelo a hacer predicciones o tomar decisiones. El objetivo es que el modelo aprenda a generalizar a partir de estos datos, de modo que pueda realizar predicciones acertadas sobre datos nuevos y no vistos.

Una guía general para comenzar

Rendimiento del modelo

(Silva et al., 2022), [Uddin:2022aa]

Recursos de aprendizaje

Machine Learning en Coursera
Inteligencia Artificial en Udacity
Data Science en DataCamp
Tutoriales de Kaggle
IBM Cognitive Class
Introduction to machine learning por microsoft en Github

Plataformas y herramientas

Recomendaciones

Aprende lo Básico:
- Matemáticas
- Programación: Aprende Python o R
Comienza con conceptos fundamentales:
Manos a la Obra
- Comienza con modelos simples y juegos de datos estándar para practicar.
- Participa en competencias en plataformas como Kaggle.
Proyectos Prácticos
- Trabaja en tus propios proyectos.
Mantente Actualizado

Problemas por resolver

Calidad y Variedad de Datos

Los datos médicos son inherentemente heterogéneos, provienen de diversas fuentes y pueden variar en calidad (Liu et al., 2021)
Los datos pueden estar incompletos, ser ruidosos o contener errores (Liu et al., 2021)

Interpretabilidad y Transparencia

Muchos modelos, especialmente los más complejos, pueden actuar como “cajas negras”, dificultando su interpretación (Haug & Drazen, 2023), (Currie et al., 2019)

Problemas por resolver

Generalización

Los modelos entrenados en un conjunto específico de datos o en una población particular pueden no generalizarse bien a otros conjuntos de datos o poblaciones (Haug & Drazen, 2023)

Validación Clínica

Antes de ser utilizados en un entorno clínico real, los modelos de ML deben ser validados rigurosamente, un proceso que puede ser largo y costos (Hu et al., 2021)

Problemas por resolver

Ética y Responsabilidad

Determinar la responsabilidad en caso de errores o malentendidos causados por predicciones de ML puede ser problemático (Mathiesen & Broekman, 2022–)

Desafíos Técnicos

Algoritmos altamente especializados para abordar problemas específicos (Hu et al., 2021)
Datos con alta dimensionalidad o estructura temporal, pueden presentar desafíos adicionales (Hu et al., 2021)

Problemas por resolver

Sesgo y Equidad

Los datos médicos pueden contener sesgos inherentes que, si no se abordan adecuadamente, pueden llevar a que los modelos que reproduzcan o amplifiquen esos sesgos (Haug & Drazen, 2023)
Esto puede resultar en decisiones inexactas para ciertos grupos de pacientes.

Resistencia al Cambio

La introducción de nuevas tecnologías en la práctica médica puede enfrentar resistencia de profesionales que están acostumbrados a métodos y procedimientos tradicionales (Haug & Drazen, 2023)

Conclusiones

Comentarios finales

IA y ML tiene un potencial significativo en el ámbito de la medicina y las ciencias de la salud. Su aplicación puede mejorar la precisión diagnóstica, personalizar tratamientos, acelerar el descubrimiento de fármacos y optimizar la gestión hospitalaria.
Si bien el IA y ML ofrecen muchas oportunidades en medicina, también presenta desafíos, especialmente en términos de la calidad de los datos
Hay una variedad de herramientas y software disponibles para trabajar en IA y ML, lo que facilita su adopción
Es probable que la IA y el ML jueguen un papel aún más crucial en la transformación de la atención médica.

Contacto y presentación

edsaul.perezg@academicos.udg.mx
edsaul.perez@gmail.com
EdsaulPerez en X

Referencias

Boussen, S., Cordier, P.-Y., Malet, A., Simeone, P., Cataldi, S., Vaisse, C., Roche, X., Castelli, A., Assal, M., Pepin, G., Cot, K., Denis, J.-B., Morales, T., Velly, L., & Bruder, N. (2022). Triage and monitoring of COVID-19 patients in intensive care using unsupervised machine learning. Computers in Biology and Medicine, 142, 105192. https://doi.org/https://doi.org/10.1016/j.compbiomed.2021.105192

Chiappa, V., Bogani, G., Interlenghi, M., Vittori Antisari, G., Salvatore, C., Zanchi, L., Ludovisi, M., Leone Roberti Maggiore, U., Calareso, G., Haeusler, E., Raspagliesi, F., & Castiglioni, I. (2023). Using Radiomics and Machine Learning Applied to MRI to Predict Response to Neoadjuvant Chemotherapy in Locally Advanced Cervical Cancer. Diagnostics (Basel), 13(19). https://doi.org/10.3390/diagnostics13193139

Currie, G., Hawk, K. E., Rohren, E., Vial, A., & Klein, R. (2019). Machine Learning and Deep Learning in Medical Imaging: Intelligent Imaging [Doi: 10.1016/j.jmir.2019.09.005]. Journal of Medical Imaging and Radiation Sciences, 50(4), 477-487. https://doi.org/10.1016/j.jmir.2019.09.005

Deo, R. C. (2015). Machine Learning in Medicine. Circulation, 132(20), 1920-1930. https://doi.org/10.1161/CIRCULATIONAHA.115.001593

Durai V, K. D., Ramesh S. (2019). Liver disease prediction using machine learning. Int J Adv Res Ideas Innov Technol, 2(5).

Erickson, B. J., Korfiatis, P., Akkus, Z., & Kline, T. L. (2017). Machine Learning for Medical Imaging. RadioGraphics, 37(2), 505-515. https://doi.org/10.1148/rg.2017160130

Feng, M., McSparron, J. I., Kien, D. T., Stone, D. J., Roberts, D. H., Schwartzstein, R. M., Vieillard-Baron, A., & Celi, L. A. (2018). Transthoracic echocardiography and mortality in sepsis: analysis of the MIMIC-III database. Intensive Care Med, 44(6), 884-892. https://doi.org/10.1007/s00134-018-5208-7

G, E. B. Çınarer. (2019). Classification of brain tumors by machine learning algorithms. In: 2019 3rd International Symposium on Multidisciplinary Studies and Innovative Technologies. Int J Adv Res Ideas Innov Technol, 5(2), 1584-1588.

Goto, T., Camargo, J., Carlos A., Faridi, M. K., Freishtat, R. J., & Hasegawa, K. (2019). Machine Learning–Based Prediction of Clinical Outcomes for Children During Emergency Department Triage. JAMA Network Open, 2(1), e186937-e186937. https://doi.org/10.1001/jamanetworkopen.2018.6937

Gupta, R., Srivastava, D., Sahu, M., Tiwari, S., Ambasta, R. K., & Kumar, P. (2021). Artificial intelligence to deep learning: machine intelligence approach for drug discovery. Molecular Diversity, 25(3), 1315-1360. https://doi.org/10.1007/s11030-021-10217-3

Haug, C. J., & Drazen, J. M. (2023). Artificial Intelligence and Machine Learning in Clinical Medicine, 2023. New England Journal of Medicine, 388(13), 1201-1208. https://doi.org/10.1056/NEJMra2302038

Hinestrosa, J. P., Sears, R. C., Dhani, H., Lewis, J. M., Schroeder, G., Balcer, H. I., Keith, D., Sheppard, B. C., Kurzrock, R., & Billings, P. R. (2023). Development of a blood-based extracellular vesicle classifier for detection of early-stage pancreatic ductal adenocarcinoma. Communications Medicine, 3(1), 146. https://doi.org/10.1038/s43856-023-00351-4

Hu, M., Shu, X., Yu, G., Wu, X., Välimäki, M., & Feng, H. (2021). A Risk Prediction Model Based on Machine Learning for Cognitive Impairment Among Chinese Community-Dwelling Elderly People With Normal Cognition: Development and Validation Study. J Med Internet Res, 23(2), e20298. https://doi.org/10.2196/20298

Khanna, S., Domingo-Fernández, D., Iyappan, A., Emon, M. A., Hofmann-Apitius, M., & Fröhlich, H. (2018). Using Multi-Scale Genetic, Neuroimaging and Clinical Data for Predicting Alzheimer’s Disease and Reconstruction of Relevant Biological Mechanisms. Scientific Reports, 8(1), 11173. https://doi.org/10.1038/s41598-018-29433-3

Kulkarni, N., & Bairagi, V. (2017). Extracting salient features for EEG-based diagnosis of Alzheimer’s disease using support vector machine classifier. IETE Journal of Research, 63(11), 11-22.

Lee, H.-C., Ryu, H.-G., Chung, E.-J., & Jung, C.-W. (2018). Prediction of Bispectral Index during Target-controlled Infusion of Propofol and Remifentanil: A Deep Learning Approach. Anesthesiology, 128(3), 492-501. https://doi.org/10.1097/ALN.0000000000001892

Lee, S., & Lee, Y. H. (2020). Improving Emergency Department Efficiency by Patient Scheduling Using Deep Reinforcement Learning. Healthcare (Basel), 8(2). https://doi.org/10.3390/healthcare8020077

Lin, E., Kuo, P.-H., Liu, Y.-L., Yu, Y. W.-Y., Yang, A. C., & Tsai, S.-J. (2018). A Deep Learning Approach for Predicting Antidepressant Response in Major Depression Using Clinical and Genetic Biomarkers. Frontiers in Psychiatry, 9. https://www.frontiersin.org/articles/10.3389/fpsyt.2018.00290

Lindsey, R., Daluiski, A., Chopra, S., Lachapelle, A., Mozer, M., Sicular, S., Hanel, D., Gardner, M., Gupta, A., Hotchkiss, R., & Potter, H. (2018). Deep neural network improves fracture detection by clinicians. Proc Natl Acad Sci U S A, 115(45), 11591-11596. https://doi.org/10.1073/pnas.1806905115

Liu, J., Chen, Y., Li, S., Zhao, Z., & Wu, Z. (2021). Machine learning in orthodontics: Challenges and perspectives. Advances in Clinical and Experimental Medicine, 30. https://doi.org/10.17219/acem/138702

Liu, J., Xu, H., Chen, Q., Zhang, T., Sheng, W., Huang, Q., Song, J., Huang, D., Lan, L., Li, Y., Chen, W., & Yang, Y. (2019). Prediction of hematoma expansion in spontaneous intracerebral hemorrhage using support vector machine. EBioMedicine, 43, 454-459. https://doi.org/10.1016/j.ebiom.2019.04.040

MacEachern, S. J., & Forkert, N. D. (2021). Machine learning for precision medicine. Genome, 64(4), 416-425. https://doi.org/10.1139/gen-2020-0131

Mathiesen, T., & Broekman, M. (2022–). Machine Learning and Ethics (V. E. Staartjes, L. Regli, & C. Serra, Eds.; pp. 251-256). Springer International Publishing.

Ming, D. Y., Zhao, C., Tang, X., Chung, R. J., Rogers, U. A., Stirling, A., Economou-Zavlanos, N. J., & Goldstein, B. A. (2023). Predictive Modeling to Identify Children With Complex Health Needs At Risk for Hospitalization. Hospital Pediatrics, 13(5), 357-369. https://doi.org/10.1542/hpeds.2022-006861

Munjal, N. K., Fleischman, A. D., & Coller, R. J. (2023). Machine Learning, Predicting Future Hospitalizations, and the Importance of Perception. Hospital Pediatrics, 13(5), e114-e116. https://doi.org/10.1542/hpeds.2023-007224

Myszczynska, M. A., Ojamies, P. N., Lacoste, A. M. B., Neil, D., Saffari, A., Mead, R., Hautbergue, G. M., Holbrook, J. D., & Ferraiuolo, L. (2020). Applications of machine learning to diagnosis and treatment of neurodegenerative diseases. Nature Reviews Neurology, 16(8), 440-456. https://doi.org/10.1038/s41582-020-0377-8

Patel, S. J., Chamberlain, D. B., & Chamberlain, J. M. (2018). A Machine Learning Approach to Predicting Need for Hospitalization for Pediatric Asthma Exacerbation at the Time of Emergency Department Triage. Acad Emerg Med, 25(12), 1463-1470. https://doi.org/10.1111/acem.13655

Peiffer-Smadja, N., Rawson, T. M., Ahmad, R., Buchard, A., Georgiou, P., Lescure, F.-X., Birgand, G., & Holmes, A. H. (2020). Machine learning for clinical decision support in infectious diseases: a narrative review of current applications [Doi: 10.1016/j.cmi.2019.09.009]. Clinical Microbiology and Infection, 26(5), 584-595. https://doi.org/10.1016/j.cmi.2019.09.009

Quazi, S. (2022). Artificial intelligence and machine learning in precision and genomic medicine. Med Oncol, 39(8), 120. https://doi.org/10.1007/s12032-022-01711-1

Raita, Y., Goto, T., Faridi, M. K., Brown, D. F. M., Camargo, C. A. J., & Hasegawa, K. (2019). Emergency department triage prediction of clinical outcomes using machine learning models. Crit Care, 23(1), 64. https://doi.org/10.1186/s13054-019-2351-7

Rustam F, M. A., Reshi AA. (2020). COVID-19 future forecasting using supervised machine learning models. IEEE Access, 8(2020), 101489-101499.

Shvetcov, A., Thomson, S., Spathos, J., Cho, A.-N., Wilkins, H. M., Andrews, S. J., Delerue, F., Couttas, T. A., Issar, J. K., Isik, F., Kaur, S., Drummond, E., Dobson-Stone, C., Duffy, S. L., Rogers, N. M., Catchpoole, D., Gold, W. A., Swerdlow, R. H., Brown, D. A., & Finney, C. A. (2023). Blood-Based Transcriptomic Biomarkers Are Predictive of Neurodegeneration Rather Than Alzheimer’s Disease. International Journal of Molecular Sciences, 24(19), 15011. https://doi.org/10.3390/ijms241915011

Silva, G. F. S., Fagundes, T. P., Teixeira, B. C., & Chiavegatto Filho, A. D. P. (2022). Machine Learning for Hypertension Prediction: a Systematic Review. Curr Hypertens Rep, 24(11), 523-533. https://doi.org/10.1007/s11906-022-01212-6

Uddin, S., Ong, S., & Lu, H. (2022). Machine learning in project analytics: a data-driven framework and case study. Sci Rep, 12(1), 15252. https://doi.org/10.1038/s41598-022-19728-x

Vamathevan, J., Clark, D., Czodrowski, P., Dunham, I., Ferran, E., Lee, G., Li, B., Madabhushi, A., Shah, P., Spitzer, M., & Zhao, S. (2019). Applications of machine learning in drug discovery and development. Nature Reviews Drug Discovery, 18(6), 463-477. https://doi.org/10.1038/s41573-019-0024-5

Wiemken, T. L., & Kelley, R. R. (2020). Machine Learning in Epidemiology and Health Outcomes Research. Annual Review of Public Health, 41(1), 21-36. https://doi.org/10.1146/annurev-publhealth-040119-094437

Wu, A., Yen, R., Grasedieck, S., Lin, H., Nakamoto, H., Forrest, D. L., Eaves, C. J., & Jiang, X. (2023). Identification of multivariable microRNA and clinical biomarker panels to predict imatinib response in chronic myeloid leukemia at diagnosis. Leukemia, 37(12), 2426-2435. https://doi.org/10.1038/s41375-023-02062-0

Yin, M., Zhang, R., Zhou, Z., Liu, L., Gao, J., Xu, W., Yu, C., Lin, J., Liu, X., Xu, C., & Zhu, J. (2022). Automated Machine Learning for the Early Prediction of the Severity of Acute Pancreatitis in Hospitals. Frontiers in Cellular and Infection Microbiology, 12. https://doi.org/10.3389/fcimb.2022.886935