Kunstig intelligens (AI) er et hastigt voksende felt, der involverer computersystemer, der udfører opgaver, der traditionelt kræver menneskelig intelligens. Inden for medicinfeltet har AI potentialet til at have stor indvirkning på sygdomsdiagnose og behandling. Dybe læringsalgoritmer har allerede vist imponerende evner inden for klassificering af hudkræft, pleje af septiske patienter og diagnosticering af medicinsk billeddannelse. Dog er mange af disse modeller ikke blevet grundigt testet i virkelighedens kontekst eller understøttet af randomiserede, kontrollerede medicinske studier. Denne manglende evidens bidrager til usikkerhed og potentielle risici ved AI-systemer, der anvendes i klinisk praksis. For at få en bedre forståelse af AI i medicin gennemgik en afdækkende gennemgang randomiserede studier om AI-algoritmer, der blev brugt i klinisk praksis op til 2023.

Gennemgangen inkluderede 86 studier med fokus på gastroenterologi, efterfulgt af radiologi, kirurgi og kardiologi. Flertallet af studierne fokuserede på evaluering af algoritmeunderstøttelse til læger inden for gastroenterologi. Kun 18 studier vurderede indvirkningen af AI-interventioner på kvalitetsparametre relateret til plejeledelse i klinisk praksis. AI-systemer har vist sig lovende inden for optimering af insulin dosering, overvågning af hypotension, reduktion af akut behandlingsbehov og styring af prostata tumorer. De kan også forudsige risikoen for diabetisk retinopati, reducere postoperativ smerte og give beslutningsstøtte vedrørende kræftmortalitet og risiko for slagtilfælde. Hvad angår medicinsk billeddannelse, evaluerede de fleste studier dyblearningsystemer via videoer, især inden for gastroenterologi, i modsætning til prævalensen af billedbaserede algoritmer i akademisk litteratur og godkendelser fra myndighederne. Fordelingen af studier på tværs af kliniske specialer indikerer behovet for øget internationalt samarbejde og multicenterstudier for at sikre generalisérbarheden af AI-systemer på tværs af forskellige befolkningsgrupper og sundhedssystemer. Desuden er der mangel på mangfoldighed i form af forskere, studie designs og resultatparametre, hvilket understreger behovet for yderligere forskning, der inkorporerer klinisk kontekst og patienthistorie i AI-beslutningsprocesser. Dette indhold blev oversat fra Univadis Italy, en del af Medscape-fagligt netværk, ved hjælp af AI og blev gennemgået af menneskelige redaktører.