Hızla değişen ve gelişen teknoloji ve özellikle yapay zeka çözümleri, günümüzde hayatın her alanında giderek varlığını artırıyor. Sağlık sektöründe de “sağlıkta dijital dönüşüm” başlığı altında her geçen gün uygulama alanını genişleten yeni nesil teknolojiler, sağlık hizmet sunumuna yaklaşımımızı hızla yeniden şekillendiriyor. Bu hızlı değişim ve dönüşüm ise epistemolojik ve etik yaklaşımlar açısından yeni bir anlayışa sahip olmamızı gerektiriyor.
Geçmişte, sağlık hizmetlerinde dijital araçların kullanımı oldukça sınırlıydı. Özellikle eski geleneksel yöntemlerler kaydedilen kişisel ve toplumsal sağlık veri kayıtlarının elektronik ortamlara taşınması ve tele-tıp gibi teknolojik yöntemlerin hayatımıza girmeye başlamasıyla, sağlık hizmetlerinde verimliliği artırmaya yönelik ilk adımlar da atılmış oldu. Ancak süreçlerin hızlıca dijitalleştiği bu dönem beraberinde veri gizliliği, güvenliği ve sistemler arası uyumluluk gibi dijitalleşme ile ilişkili zorlukları ve dikkat edilmesi gereken önemli konuları da ön plana çıkardı.
Günümüzde yapay zekâ, sağlık hizmetlerinde adetâ bir devrim yaratıyor. Diagnostik araçlardan, prediktif analizlere ve kişiselleştirilmiş tıbbi uygulamalara kadar pek çok alanda yapay zekâ kullanımı yaygınlaşmış durumda. Hasta bakımını ve sonuçlarını iyileştirmenin yanı sıra sağlık hizmetlerinin entegrasyonunu ve uygulanmasını da büyük ölçüde değiştiren bu teknolojilerin ise gelecekte, sağlık alanında daha da büyük yeniliklere kapı açacağını öngörüyoruz. Genomik, uzaktan izleme ve robotik cerrahi gibi alanlarda beklenen ve sağlık hizmetlerini kökten değiştirebilecek teknolojik ilerlemelerle yapay zekânın birleşimi, daha verimli, doğru ve kişiselleştirilmiş sağlık hizmetleri sunulmasını sağlayacaktır.
Bu nedenle, sağlık hizmetlerinde dijital dönüşümün yapay zekâ ile nasıl şekillendiğini anlamak ve bu dönüşümün getirdiği fırsatları ve zorlukları kavramak son derece önemlidir.
Sağlıkta Dijital Dönüşümün Geçmişi
Dijital dönüşümün sağlık alanındaki ilk adımları, elektronik sağlık kayıtları (ESK) ve tele-tıp gibi dijital araçların kullanılmaya başlanmasıyla atıldı. Bu amaçla dünyadaki ilk adım da Amerika Birleşik Devletleri’nden geldi ve Ulusal Sağlık Bilgi Teknolojileri Bürosu (The Office of the National Coordinator for Health IT – ONC) adındaki kuruluşu faaliyete geçirildi. “Federal Sağlık BT Stratejik Planı 2011-2015” çalışmasıyla alandaki ilk en kapsamlı eylem planını oluşturan kuruluş, 2014 yılında duyurduğu ONC Sağlık BT Sertifikasyonu ile de sağlıkta dijitalleşmeye yönelik geliştirilecek her türlü dijital araç ve iş süreci ile ilgili standartları belirleyerek alandaki ilk standardizasyon çerçevesini de oluşturdu.
Elektronik sağlık kayıtları (ESK), hastaların tıbbi geçmişlerini dijital ortamda saklayarak hem sağlık çalışanlarının hem de hastaların hayatını kolaylaştırmıştır. ESK sayesinde, hastaların geçmiş tedavilerine ve tıbbi durumlarına artık daha hızlı erişilebilir olmuş, bu da daha iyi ve hızlı karar verilmesine olanak sağlamıştır. T.C. Sağlık Bakanlığı’nın Dijital Hastane Projesi’nde belirtildiği üzere, bir ESK sisteminde bulunması gereken özellikler şu şekilde tanımlanmıştır:
- Hasta ile ilgili tüm bilgiler tek bir kayıt numarası ile ilişkilendirilmelidir.
- Sisteme girilen tüm hasta bilgilerine kurumun her yerinden ulaşılabilmelidir.
- Hastaların yakınmaları ve tüm sağlık bakım süreci kaydedilmelidir.
- Tanısal süreçlerde bilgisayar yardımı sağlanabilmelidir.
- Bir bakım planı geliştirilip izlenebilmelidir.
- Sistem kullanılarak isteklerde bulunulabilmeli ve istek sonuçları otomatik olarak alınabilmelidir. Verilere kolayca erişim ve kullanma olanağı vermelidir.
- Bir elektronik hasta kayıt sistemi aşağıdaki fonksiyonları da desteklemelidir.
- Hasta randevuları ve ilişkili tüm süreç (muayene, tanısal tetkik istek- lerin üretilmesi ve iletilmesi, yatış v.b.) tamamen dijital olarak takip edilebilmelidir.
- Hastalık ve tıbbi girişimlere ait uluslararası kodlamaları barındırmalıdır.
- Hastalık ve tıbbi girişimlere ait uluslararası kodlamaları barındırmalıdır.
- Finansal yönetim, malzeme yönetimi, insan kaynakları yönetimi v.b. yönetim fonksiyonları uygulama, takip ve denetimi tamamen dijital olarak gerçekleştirilmelidir.
Sağlık Bakanlığı’nın Dijital Hastane Projesi’nde “Electronic Medical Record Adoption Model (EMRAM)” kriterleri çerçevesinde bağlı hastaneler seviyelendirilmiş ve nihai hedef olarak seviye 7 belirlenmiştir. Seviye 7 şunları içermektedir:
7. Seviye:
Hastane, hasta bakımını sağlamak ve yönetmek için artık kağıt kullanmamakta ve hastalara ait tüm veriler, medikal görüntüler ve diğer dokümanlar hasta kayıt (EMR) ortamının içerisinde yer almaktadır. Veri ambarı, sağlık bakım kalitesini, hasta güvenliğini ve verimliliği artırmak için klinik verilerin modellerini analiz etmek için kullanılmaktadır. Klinik bilgi, hasta tedavi etmek için yetkilendirilmiş tüm birimlerle (yani, diğer ilişkili olmayan hastaneler, ayakta tedavi klinikleri, subakut ortam, işveren, borçlu ve veri paylaşımı sahasındaki hastalar) standartlaştırılmış elektronik işlemler (yani, CCD) ya da bir sağlık bilgi alışverişi ile kolayca paylaşılabilmektedir. Hastane, tüm hastane servisleri için özet veri sürekliliğini göstermektedir (örn, yatarak tedavi, ayakta tedavi, acil sağlık servis dokümanları ve herhangi bir şekilde sahip olunan ya da yönetilen yatakta tedavi klinikleri). Hekim dokümantasyonu ve elektronik order yüzde doksan (%90) (acil servisler bu yüzdelik dilime dahil değildir) ve kapalı döngü süreçleri yüzde doksan beş (%95) (acil servisler bu yüzdelik dilime dahil değildir) oranında kullanılmaktadır.
Sağlıkta dijitalleşmenin en tipik uygulamalarından olan Tele-tıp ise ülkemizde giderek yaygınlaşmış ve ulaşılması zor bölgelerde yaşayan hastalar için büyük bir avantaj sağlamıştır. Doktor ve hastanın fiziksel olarak bir araya gelmeden, internet üzerinden tıbbi danışmanlık hizmeti alabildiği tele-tıp uygulaması, hem zaman hem de maliyet açısından büyük tasarruflar sağlayarak, sağlık hizmetlerine erişimi artırmıştır. Kullanılmaya başlandığı ilk dönemlerde tercih edilme sıklığı düşük olan tele-tıp uygulamaları COVID-19 süreci ile yeni bir boyut kazanmış ve hatta bu konuda ülkemizde Resmî Gazete’nin 31746 (2022) sayılı nüshasında uzaktan sağlık hizmetleri sunumunu düzenleyen yönetmelik ile düzenlenmiştir.
Sağlık sektöründe verimliliği artırmayı ve daha iyi hasta bakımını hedefleyen önemli bir adım olarak görülen dijital araçların erken dönemdeki kullanımında, elbetteki pek çok engelle de karşılaşıldı. Veri gizliliği ve güvenliği, sistemlerin entegrasyonu ve kullanıcıların bu yeni teknolojilere uyum sağlaması gibi konular, ilk dönemde önemli zorluklar olarak öne çıktı. Ancak dijital dönüşümün bu ilk adımları, sağlık hizmetlerinde köklü değişiklikler yaratma potansiyelini gösterdi ve süreç, günümüzde kullandığımız daha gelişmiş dijital sağlık araçlarının temelini oluşturdu.
Ayrıca bu dönemde, dijital sağlık araçlarının entegrasyonu ile ilgili önemli gelişmeler de yaşandı. Sağlık hizmetlerinde kullanılan çeşitli dijital araçlar, daha verimli ve entegre sağlık hizmetleri sunmak için birbirleriyle uyumlu hale getirildi. Bu entegrasyon süreci, veri paylaşımını ve iş birliğini artırarak, sağlık profesyonellerinin daha etkili kararlar almasına olanak sağladı.
Peki güncel durum nedir?
Yukarıda bahsettiğim elektronik sağlık kaydı ve tele-tıp uygulamaları, son günlerde daha yaygın olarak kullanılmaktadır. Teknolojik gelişmelerle bütünleştirilerek daha kapsamlı kullanım alanları bulacağından artık hepimiz eminiz. Özellikle yapay zekâ uygulamalarının son beş yılda yüksek bir ivmeyle günlük hayatın içine ve tabii sağlık alanına da girmesiyle, etik ve sosyolojik tartışmaları bir yana koyduğumuzda, bu uygulamaların kendi alanımızda yarattığı devrime de birebir tanık oluyoruz.
Yapay zekâ sağlık hizmetlerinde artık geniş bir yelpazede kullanılmaktadır. Bunlardan en önemlisi, hastalıkların erken teşhis edilmesinde ve doğru tedavi yöntemlerinin belirlenmesine olanak sağlayan yapay zekâ destekli tanısal araçlardır. Örneğin, radyoloji alanında kullanılan yapay zekâ sistemleri, tıbbi görüntüleri analiz ederek anormallikleri tespit edebilmekte ve doktorlara rapor sunmaktadır. Bu sayede tanı süreci hızlanmakta ve hata oranı azalmaktadır. Yakın zamanda yayınlanan bir derlemede, yapay zekânın radyoloji alanında dört alan ve sekiz fonksiyonla görev görebileceği, gün geçtikçe bu görevlerde doğruluk (accuracy) ve verimlilik (efficiency) açısından iyileştiğini öne sürmüşlerdir (1). Bu derlemede yapay zekânın geçmiş verileri analiz edebileceği ve eğilimleri veya risk faktörlerini belirleyerek hastalıkların erken tespit edilmesini sağlayabileceği, bunun da özellikle erken müdahalenin prognozu değiştirebileceği kanser gibi durumlarda hasta sonuçlarının iyileştirilmesi için çok önemli olduğunu vurgulamışlardır.
Estonya merkezli bir teknoloji şirketine göre radyoloji alanında yapay zekâ uygulamaları meme kanseri tespiti, tümör sınıflandırması, gizli kırıkların bulunması, nörolojik anormalliklerin saptanması, otomatik lezyon tespiti, akciğer kanseri taraması konularında doğru ve verimli bir çalışma alanı yaratmıştır (2). Bu konu hakkında literatürde pek çok teknik detay bulunmaktadır (3,5).
Büyük veri analizi yöntemleri ve makine öğrenmesi ile gerçekleştirilen prediktif analitikler, yapay zekânın bir diğer önemli kullanım alanıdır. Yapay zekâ algoritmaları, hastaların geçmiş tıbbi verilerini analiz ederek gelecekteki sağlık durumlarını tahmin edebilir. Bu, özellikle kronik hastalıkları olan hastaların yönetiminde faydalıdır. Örneğin, diyabet veya kalp hastalığı olan hastaların verileri analiz edilerek, bu hastaların gelecekteki komplikasyon riskleri belirlenebilir ve önleyici tedbirler alınabilir (6,7).
Kişiselleştirilmiş tıp, tıbbi kararların hastanın DNA’sına, tıbbi geçmişine, aile geçmişine, çevresine, davranışlarına, kültürüne ve değerlerine göre özelleştirilmesini ifade eder(8). Kişiselleştirilmiş tıp uygulamaları da yapay zekânın önemli bir kullanım alanıdır. Yapay zekâ, hastaların genetik yapıları ve sağlık geçmişlerini analiz ederek, her bir hasta için en uygun tedavi yöntemlerini belirlemeye yardımcı olur. Bu sayede, tedavi başarı oranları artar ve hastaların yaşam kalitesi yükselir(9–12).
Yapay zekânın hasta bakımını ve sonuçlarını iyileştiren pek çok örneği bulunmaktadır. Örneğin, Google’ın DeepMind Health programı, göz hastalıklarının teşhisinde ilk adımlardan biridir. Bu alan-da yapılan diğer çalışmalarla birlikte retina görüntülemede yapay zekanın son zamanlarda elde ettiği başarılar, günlük pratiğimize uygulanmasının göz sağlığı sistemini temelden değiştirebileceğini ve bireyselleştirilmiş tedavi hedefine bir adım daha yaklaştırabileceğini göstermektedir(13).
İyi Uygulama Örnekleri
Sağlıkta dijitalleşme küresel çapta güncel bir rekabete dönüşürken, sahada gerçekleşen iyi uygulama örnekleri de bu rekabeti ve dolayısıyla dijital dönüşümün hızını artırmaktadır. Bunun en iyi örneklerinden biri Mayo Clinic’te gerçekleşmiştir. Mayo Clinic’in kardiyovasküler hastalıklar alanında yapay zekâ kullanımı üzerine yaptığı çalışmalardan birinde yapay zekâ algoritmaları, EKG verilerini analiz ederek, daha önce tespit edilmemiş kalp rahatsızlıklarını belirleyerek, yapay zekanın kalp hastalıklarını erken teşhis etmede ne kadar etkili olduğu göstermiştir. Bu erken teşhisler, hastaların zamanında tedavi edilmesini sağlayarak ciddi komplikasyonların önlenmesine yardımcı olabileceği öngörülmektedir (14).
Bunların yanı sıra, yapay zekâ tabanlı prediktif analiz araçlarının, hastaların gelecekteki sağlık durumlarını tahmin ederek, önleyici tedbirlerin alınmasına olanak sağlayacağı düşünülmektedir. Örneğin, Health Catalyst’in geliştirdiği platform, hastane verilerini analiz ederek, hangi hastaların yüksek risk altında olduğunu belirler ve bu hastalara yönelik proaktif müdahaleler planlanmasını sağlamaktadır. Bu gelişmen, hastane yatışlarını azaltmak ve genel sağlık sonuçlarını iyileşmesinde olumlu çıktılar yaratabilecektir (15).
Tüm bu bilgi ve örneklere istinaden sonuç olarak, yapay zekânın hasta bakımında devrim niteliğinde değişiklikler yapma potansiyeline sahip olduğunu söyleyebiliriz. Bu teknolojiler, hastalıkların erken teşhisi, kişiselleştirilmiş tedavi planları ve proaktif sağlık yönetimi gibi pek çok alanda önemli iyileştirmeler sağlamaktadır. Yapay zekânın sağlık hizmetlerindeki bu yenilikçi kullanımları, hastaların sağlık sonuçlarını iyileştirirken, sağlık sistemlerinin de daha verimli ve etkili olmasına katkı sağlayacaktır.
Mevcut Zorluklar
Yapay zekânın sağlık alanındaki kullanımında halen devam eden bazı zorluklar bulunmaktadır. Etik kaygılar, veri yanlılığı ve düzenleyici çerçevelerin gerekliliği gibi konular, yapay zekanın sağlık hizmetlerinde tam anlamıyla benimsenmesinde engeller oluşturmaktadır.
Etik kaygılar, yapay zekânın karar verme süreçlerinde şeffaflık ve adaletin sağlanması gerekliliğini içermektedir. Yapay zekânın, hastaların verilerini kullanarak karar vermesi, bu süreçte gizlilik ve güvenlik endişelerini de beraberinde getirir. Sağlık verilerinin mahremiyeti ve bu verilerin nasıl kullanıldığı konularında net düzenlemelere ihtiyaç vardır. Mevcut etik kaygılar şu başlıklar altında toplanabilir(16–20):
- Güvenlik ve sorumluluk
- Hasta mahremiyeti
- Bilgilendirilmiş onam
- Veri sahipliği
- Veri yanlılığı ve adilliği
- Şeffaflık ve hesap verebilirlik
Veri yanlılığı, yapay zekanın eğitildiği verilerin eksik veya yanlı olmasından kaynaklanabilecek sorunları ifade eder. Eğer yapay zekâ sistemleri, yanlı veya eksik verilerle eğitilirse, bu sistemlerin verdikleri kararlar da yanlı olabilir. Bu durum, özellikle azınlık grupları ve marjinalize edilmiş topluluklar için adaletsiz sonuçlara yol açabilir.
Ayrıca, yapay zekanın sağlık hizmetlerinde kullanımı için uygun düzenleyici çerçevelerin oluşturulması ve bu çerçevelerin sürekli olarak güncellenmesi gerekmektedir. Bu düzenlemeler, yapay zekanın güvenli ve etkili bir şekilde kullanılmasını sağlamak için kritik öneme sahiptir. Sağlık hizmetlerinde yapay zekanın kullanımına ilişkin net yasal ve etik rehberlik, bu teknolojilerin güvenle benimsenmesine katkıda bulunacaktır(21,22).
HIV ve Yapay Zekâ
Yapay zekâ ile geliştirilmiş süreç ve sistemler, pek çok sağlık hizmeti alanında olduğu gibi, 40 yılı aşkın bir süredir tüm dünyada, farklı lokal karakterlerde süren HIV pandemisi ile mücadelede de hızla yerini alıyor. Alanda yapılan çalışmalar hızlıca bir göz attığımızda, özellikle şu başlıklarda yapılan çalışmalar öne çıkıyor (23,24):
Önleme (Prevention): Yapay zekâ ile geliştirimiş masaüstü ve mobil uygulamalar, potansiyel risklerin hesaplanması ve buna istinaden öneriler sunması bakımında fark yaratıyor. Temas öncesi profilaksi kullanımının uygun olduğu adayın tespit eden ve risklere istinaden hasta bilgilendirme eğitimleri sunan araçlar, yapay zekânın bu konudaki örnekleri olarak gösterilebilir.
Tedavi Yönetimi: Gelişmiş makine öğrenimi (machine learning) sistemleri ile tedavi yanıtını ve olası yan etkileri tahmin etmek için hasta verilerini analiz ederek kişiselleştirilmiş tedavi stratejileri sunmayı hedeflemektedir.
Epidemiyoloji: Yapay zekâ, HIV risk davranışındaki eğilimleri belirlemek ve önleme çabalarını etkili bir şekilde hedeflemek için sosyal medya ve arama sorgularından elde edilen büyük veri kümelerini analiz edebilir.
Sohbet Robotları ve Sanal Asistanlar:
Yapay zekâ destekli sohbet robotları anonim ve erişilebilir HIV konusunda bilgi sağlayabilir, kullanıcı sorularını yanıtlayabilir ve hatta kullanıcıları test tesislerine yönlendirebilir.
Uzm. Dr. Okan Derin
Enfeksiyon Hast. ve Kln. Mikrobiyoloji,
İstanbul Şişli Hamidiye Etfal EAH.
Epidemiyoloji Doktora Programı,
İstanbul Medipol Üniversitesi.
Referanslar
1. Khalifa M, Albadawy M. AI in diagnostic imaging: Re- volutionising accuracy and efficiency. Computer Met- hods and Programs in Biomedicine Update. 2024 Jan 1;5:100146.
- Top 6 Radiology AI Use Cases in 2024 [Internet]. [cited 2024 Jun 10]. Available from: https://research.aimultip- le.com/radiology-ai/
- Artificial Intelligence in Medical Imaging | Open Meds- cience [Internet]. [cited 2024 Jun 10]. Available from: https://openmedscience.com/revolutionising-medi- cal-imaging-with-ai-and-big-data-analytics/
- Brady AP, Allen B, Chong J, Kotter E, Kottler N, Mon- gan J, et al. Developing, purchasing, implementing and monitoring AI tools in radiology: practical considerati- ons. A multi-society statement from the ACR, CAR, ESR, RANZCR & RSNA. Insights Imaging [Internet]. 2024 Dec 1 [cited 2024 Jun 10];15(1):1–19. Available from: https:// insightsimaging.springeropen.com/articles/10.1186/ s13244-023-01541-3
- How AI is Revolutionizing Medical Imaging and Radio- logy | by Seekmeai | Medium [Internet]. [cited 2024 Jun 10]. Available from: https://medium.com/@seekmeai/ how-ai-is-revolutionizing-medical-imaging-and-radio- logy-005512fbf452
- Eghbali-Zarch M, Masoud S. Application of machine learning in affordable and accessible insulin manage- ment for type 1 and 2 diabetes: A comprehensive re- view. Artif Intell Med. 2024 May 1;151:102868.
- Spoladore D, Tosi M, Lorenzini EC. Ontology-based de- cision support systems for diabetes nutrition therapy: A systematic literature review. Artif Intell Med. 2024 May 1;151:102859.
- Personalized Medicine | Aetna [Internet]. [cited 2024 Jun 10]. Available from: https://www.aetna.com/emp- loyers-organizations/resources/personalized-medici- ne.html
- Schork NJ. Artificial Intelligence and Personalized Me- dicine. Cancer Treat Res [Internet]. 2019 [cited 2024 Jun 10];178:265–83. Available from: https://pubmed. ncbi.nlm.nih.gov/31209850/
10. Sniecinski I, Seghatchian J. Artificial intelligence: A
joint narrative on potential use in pediatric stem and immune cell therapies and regenerative medicine. Transfus Apher Sci [Internet]. 2018 Jun 1 [cited 2024 Jun 10];57(3):422–4. Available from: https://pubmed. ncbi.nlm.nih.gov/29784537/
11. Alowais SA, Alghamdi SS, Alsuhebany N, Alqahta- ni T, Alshaya AI, Almohareb SN, et al. Revolutionizing healthcare: the role of artificial intelligence in clinical practice. BMC Medical Education 2023 23:1 [Internet]. 2023 Sep 22 [cited 2024 Jun 10];23(1):1–15. Available from: https://bmcmededuc.biomedcentral.com/artic- les/10.1186/s12909-023-04698-z
12. Johnson KB, Wei WQ, Weeraratne D, Frisse ME, Misu- lis K, Rhee K, et al. Precision Medicine, AI, and the Fu- ture of Personalized Health Care. Clin Transl Sci [Inter- net]. 2021 Jan 1 [cited 2024 Jun 10];14(1):86. Available from: /pmc/articles/PMC7877825/
13. Heger KA, Waldstein SM. Artificial intelligence in re- tinal imaging: current status and future prospects. Expert Rev Med Devices [Internet]. 2024 Feb 1 [cited 2024 Jun 10];21(1–2):73–89. Available from: https:// www.tandfonline.com/doi/abs/10.1080/17434440.202 3.2294364
14. Awasthi S, Sachdeva N, Gupta Y, Anto AG, Asfahan S, Abbou R, et al. Identification and risk stratification of coronary disease by artificial intelligence-enabled ECG. EClinicalMedicine [Internet]. 2023 Nov 1 [cited 2024 Jun 10];65. Available from: http://www.thelancet.com/ article/S2589537023004364/fulltext
15. White Papers – Health Catalyst [Internet]. [cited 2024 Jun 10]. Available from: https://www.healthcatalyst. com/learn/white-papers
16. The Ethics of AI in Healthcare [Internet]. [cited 2024 Jun 11]. Available from: https://hitrustalliance.net/ blog/the-ethics-of-ai-in-healthcare
17. Bajwa J, Munir U, Nori A, Williams B. Artificial intelli- gence in healthcare: transforming the practice of me- dicine. Future Healthc J. 2021 Jul;8(2):e188–94.
18. Ethical Considerations in AI-Driven Healthcare [In- ternet]. [cited 2024 Jun 11]. Available from: https:// www.news-medical.net/health/Ethical-Considerati-ons-in-AI-Driven-Healthcare.aspx
19. AI ethics | Entertainment and Media Guide to AI | Perspectives | Reed Smith LLP [Internet]. [cited 2024 Jun 11]. Available from: https://www.reedsmith. com/en/perspectives/ai-in-entertainment-and-me- dia/2023/06/ai-ethics
20. Tambiama M. EU guidelines on ethics in artificial in- telligence: Context and implementation.
21. WHO outlines considerations for regulation of ar- tificial intelligence for health [Internet]. [cited 2024 Jun 11]. Available from: https://www.who.int/news/ item/19-10-2023-who-outlines-considerations-for-re- gulation-of-artificial-intelligence-for-health
22. And H, Sciences Communications | S. Shaping the future of AI in healthcare through ethics and gover- nance. Humanities and Social Sciences Communicati-ons 2024 11:1 [Internet]. 2024 Mar 15 [cited 2024 Jun 11];11(1):1–12. Available from: https://www.nature. com/articles/s41599-024-02894-w
23. Young LE, Nan Y, Jang E, Stevens R. Digital Epidemi- ological Approaches in HIV Research: a Scoping Met- hodological Review. Curr HIV/AIDS Rep [Internet]. 2023 Dec 1 [cited 2024 Jun 11];20(6):470–80. Available from: https://link.springer.com/article/10.1007/s11904-023- 00673-x
24. Marcus JL, Sewell WC, Balzer LB, Krakower DS. Artifi- cial Intelligence and Machine Learning for HIV Preven- tion: Emerging Approaches to Ending the Epidemic. Curr HIV/AIDS Rep [Internet]. 2020 Jun 1 [cited 2024 Jun 11];17(3):171–9. Available from: https://pubmed. ncbi.nlm.nih.gov/32347446/
