שימושי בינה מלאכותית עבור ועדות רפואיות לנכי צהל וביטוח לאומי(בסוף יש מאמר מעניין נפרד וקשור-"ניתוח טקסטים רפואיים...")

בינה מלאכותית לשיפור עבודת ועדות רפואיות , במיוחד ועדות לנכי צהל

האחריות המוטלת על ועדות רפואיות של נכי צהל הינה אחריות רפואית מעבר לשגרה רפואית אחרת , גם משום היותה אחריות מצפונית, המאתגרת "אחריות תקציבית"...

הפוטנציאל באתגר של שימושי בינה מלאכותית(להלן ב"מ) לשיפור והתייעלות עבודת ועדות יכול להביא לקיצור תהליכים ושיפור הדימוי של ועדות בכלל ושל לשכת השיקום אל מול נכי צהל ומשפחותיהם.

 שגרת העבודה של ועדות רפואיות במחוזות לשכת השיקום משתנה בהתאם להרכבי הועדות ולעמדתם והנחייתם של יו"רים מחוזיים ושל יו"ר ארצי. בהיעדר קו אחיד רפואי מנחה, ובהתחשב שחלק ניכר מההחלטות הן בהיעדר מידע מלא ועל פי נסיון חברי ועדה והתנהלות המטופל מולם(כולל עורך דין מייצג אם מופיע ומידת פרסומו האישי בתחום...), הרי היעדר אחידות מוליך באופן "טבעי" למחלוקות, התארכות תהליכים , ריבוי ועדות שמבקשות השלמות, ועדות מסכמות, יצירת דיוני ועדות  נוספות, ודיונים בבתי משפט.

טכנולוגיות הבינה המלאכותית הופכות נפוצות יותר ויותר, ומשתפרות. טכנולוגיות האוספות מידע, משקללות מידע, מנתחות מידע ומפרשות נתונים – נמצאות בשיפור מתמיד. לכן זו הדרך הנכונה לטפל בסיכומי ועדות רפואיות, הניתנים ללמידה לאורך שנים. האחריות הרפואית של ועדות עולה עם הזמן, אך במציאות והעומס הקיים – רק גורמת להרעה כלפי מטופלים, במקרים לא מעטים, דבר הניתן למניעה.

בהיעדר החלטות, בהיעדר החלטות נכונות, בשיהוי החלטות – המטופל נפגע. אפילו מתן טיפול תרופתי ועזרי שיקום נפגע, יעד הכותב.

אבהיר להלן מה האתגרים ומה היתרונות לשימוש ב"מ בעבודת ועדות רפואיות עבור נכי צהל(וגם ועדות ביטוח לאמי כמובן).

הדיונים לגבי הדיוק וההזיות של ב"מ – נמשכים ויימשכו עוד זמן רב. היתרונות ברורים והשיפור העתידי בעבודות המינהליות ובסיוע בתהליכי קבלת החלטות(בשלב ראשון המלצות ...) – ברור כי יעשה שינוי לטובה.

השאלה מי יקדם ומי יממן תהליך כזה.

בינה מלאכותית ברפואה בכלל , ובהליכים מינהליים ברפואה בפרט – שונים זה מזה, אך תלויים זה בזה, ותלויים זה ליד זה תרתי משמע...

הבנת הבינה המלאכותית ברפואה

הנה מה כתבה תוכנת בינה, ג'מיני, בעניין הבנת הבינה המלאכותית ברפואה:

"הבינה המלאכותית   מחוללת מהפכה בעולם הרפואה, ומציעה פתרונות חדשניים לאתגרים רבים. הנה כמה תחומים מרכזיים שבהם AI משנה את פני הרפואה:

1. אבחון ופענוח הדמיות:

• דיוק גבוה יותר: מערכות AI מסוגלות לנתח כמויות עצומות של נתונים רפואיים, כולל הדמיות כמו רנטגן וסוגי הדמיות אחרות גם , ולזהות דפוסים שקשה לעין אנושית להבחין בהם.

• אבחון מוקדם:   יכול לסייע באיתור מוקדם של מחלות כמו סרטן, מחלות לב ונוירולוגיות, מה שמאפשר טיפול יעיל יותר בשלבים מוקדמים.

• פענוח מהיר:   יכול לזרז את תהליך פענוח ההדמיות, ולספק תוצאות מהירות יותר לרופאים ולמטופלים.

2. פיתוח תרופות וטיפולים:

• גילוי תרופות חדשות:    יכול לנתח מידע גנטי, מולקולרי וקליני כדי לזהות מטרות תרופתיות חדשות ולפתח תרופות יעילות יותר.

• רפואה מותאמת אישית: AI יכול לסייע בהתאמת טיפולים למטופלים על בסיס הפרופיל הגנטי והקליני שלהם, מה שמשפר את יעילות הטיפול ומפחית תופעות לוואי.

• ניסויים קליניים: AI יכול לייעל את תהליך הניסויים הקליניים על ידי זיהוי משתתפים מתאימים וניתוח תוצאות.

3. ניטור מרחוק ורפואה מונעת:

• ניטור רציף: מכשירים לבישים המבוססים על AI יכולים לנטר באופן רציף את מצבם הבריאותי של מטופלים, לזהות סימנים מוקדמים להידרדרות ולהתריע לצוות הרפואי.

• רפואה מונעת: AI יכול לנתח נתונים אישיים וסביבתיים כדי לזהות גורמי סיכון ולספק המלצות מותאמות אישית למניעת מחלות.

• נגישות רפואית: AI יכול לסייע במתן שירותי רפואה מרחוק, במיוחד באזורים מרוחקים או עם מחסור בצוות רפואי.

4. ניהול רשומות רפואיות ומידע:

• עיבוד שפה טבעית  :   יכול לעבד ולנתח כמויות גדולות של רשומות רפואיות, ולסייע באיתור מידע רלוונטי ובהפקת תובנות קליניות.

• אוטומציה:   יכול לאוטומט תהליכים ניהוליים כמו תזכורות תורים, מעקב אחר תוצאות בדיקות וניהול מלאי תרופות.

5. רובוטיקה רפואית:

• ניתוחים מדויקים: רובוטים המבוססים על AI יכולים לבצע ניתוחים מורכבים בדיוק גבוה יותר ובפחות פולשנות.

• שיקום: רובוטים יכולים לסייע בתהליכי שיקום ופיזיותרפיה, ולשפר את איכות החיים של מטופלים.

אתגרים ושיקולים:

• פרטיות ואבטחת מידע: יש להבטיח את פרטיותם ואבטחתם של נתונים רפואיים.

• אתיקה ואחריות: יש לקבוע כללים אתיים ברורים לשימוש ב-  ברפואה, ולגבש מנגנונים לאחריות במקרה של טעויות.

• אינטגרציה: יש לשלב את מערכות ה- ב"מ במערכות הבריאות הקיימות בצורה יעילה.

לסיכום, הבינה המלאכותית מציעה פוטנציאל עצום לשיפור איכות הטיפול הרפואי, להנגשת שירותי רפואה ולקידום בריאות הציבור. עם זאת, יש להתמודד עם האתגרים האתיים והטכנולוגיים כדי לממש את הפוטנציאל הזה בצורה אחראית."

  מאמר של פרופ' מוחמד עדוי  ב 9 מרץ 2025 באתר        היה טריגר מיידי לכתיבת מאמר זה.      

במאמרו טבלה מסכמת מעניינת – ובמאמר שלי אני מתייחס רק לעיבוד שפה טבעית.

  לא ארחיב כאן בסוגיות אתיות ומשפטיות אך אציין עובדה ברורה אחת כי אין כנראה בעיה כי הלימוד איננו כולל שמות מטופלים בכלל. אין שום אפשרות לאפליה על רקע עדתי, דתי, מין, גזע או דת – כי מדובר רק על ניתוח ולימוד טקסטים של דיוני ועדות שאינם כוללים לדעתי פרמטרים כאלה.

ברור שיש חסמים להחלטות בדבר קידום הרעיון. הקטנת משך דיונים ודיונים בכלל מהווה הקלה תקציבית גדולה, להערכתי בעשרות אחוזים, אבל תתקל בהתנגדות חברי ועדות המתפרנסים מכינוסי ועדות. מאידך – הדבר ייקל על גיוס רופאים לועדות בגלל ההקלה בעבודה, שתהיה בעיקרה דיון בהמלצות ב"מ ובהחלטה אם לאשר או לעדן, או להוסיף .

אני מאף כאן את המקורות למאמרו של פרופ' מחמד עדוי שברובם רלוונטיים גם לרעיון שלי,

 ספרות:

1.     Arora A. Conceptualising Artificial Intelligence as a Digital Healthcare Innovation: An Introductory Review. 2020. ncbi.nlm.nih.gov

2.     N. Hryciw B, Fortin Z, Ghossein J, Kyeremanteng K. Doctor-patient interactions in the age of AI: navigating innovation and expertise. 2023. ncbi.nlm.nih.gov

3.     Aamir A, Iqbal A, Jawed F, Ashfaque F et al. Exploring the current and prospective role of artificial intelligence in disease diagnosis. 2024. ncbi.nlm.nih.gov

4.     Mousa Mashraqi A, Allehyani B. Current trends on the application of artificial intelligence in medical sciences. 2022. ncbi.nlm.nih.gov

5.     Irfan F. Artificial Intelligence: Help or Hindrance for Family Physicians?. 2021. ncbi.nlm.nih.gov

6.     Habehh H, Gohel S. Machine Learning in Healthcare. 2021. ncbi.nlm.nih.gov

7.     Murdoch B. Privacy and artificial intelligence: challenges for protecting health information in a new era. 2021. ncbi.nlm.nih.gov

לסיכום –

אין ספק שיש יתרונות יותר מחסרונות, לרעיון שאיננו מסובך, לקצר תהליכים ולחסוך תקציבים, על ידי המלצות בנויות בסיוע ב"מ לסיכומי ועדות רפואיות. כיום זה כבר לא מסובך. חסר רק משקיע/תקציב, והסכמת הגופים המעורבים לספק את הנתונים לצורך ניתוח הטקסטים.

באתר(שלי-קישור)  של מאמרי בינה מלאכותית, אביא מאמר נפרד(קישור) הדן בנושא(בהמשך למאמר זה),  אך הנה הסיכום וההגהה של המאמר הנוסף, המקנח בצורה נאה גם מה שנאמר כאן –

"ניתוח טקסטים רפואיים לתובנות קליניות הוא תחום המתפתח במהירות עם ב"מ פוטנציאל לשנות את שירותי הבריאות, וטכניקות   ולמידת מכונה, המאפשרות חילוץ מידע רב ערך מנתונים לא מובנים, מה שמוביל לשיפור תמיכה בהחלטות קליניות, זיהוי מחלות ותוצאות למטופלים. עם זאת, יש לטפל באתגרים הקשורים לאיכות נתונים, הטיה, שיקולים אתיים ומחסומי יישום כדי להבטיח שטכנולוגיות אלה ישמשו באחריות וביעילות. על ידי קידום סטנדרטיזציה של נתונים, שיתוף פעולה בין-תחומי והנחיות אתיות, ניתן לממש את מלוא הפוטנציאל של ניתוח טקסט רפואי, מה שיוביל למערכת בריאות שוויונית ומונחית נתונים יותר".

מאיר פלג (אם יש משקיע לפרויקט - נא ליצור קשר logitmp@gmail.com (

=============================================================

ניתוח טקסטים רפואיים לזיהוי תובנות קליניות: התקדמות אחרונה

הניתוח של טקסטים רפואיים כדי לחלץ תובנות קליניות הפך לתחום מחקר בולט, המונע על ידי הזמינות הגוברת של רשומות בריאות אלקטרוניות (EHR) וההתקדמות בעיבוד שפה טבעית (NLP) ובינה מלאכותית (AI). תחום זה שואף למנף את הכמות העצומה של נתונים לא מובנים הקיימים ברשומות רפואיות, מאמרי מחקר ודוחות קליניים כדי לשפר את מתן שירותי הבריאות, תמיכה בהחלטות קליניות ותוצאות המטופלים.

התפקיד של עיבוד שפה טבעית (NLP)

ל-NLP יש תפקיד מכריע בהפיכת טקסטים רפואיים לא מובנים לנתונים מובנים שניתן לנתח אותם לתובנות קליניות. Binggui Zhou et al. מדגישים את החשיבות של NLP כטכנולוגיה חיונית המופעלת על ידי AI בשל יכולתה לנתח ולהבין שפה אנושית [1]. טכניקות NLP מאפשרות יישומים חכמים שונים בתרחישי בריאות שונים, כולל פרקטיקה קלינית, ניהול בתי חולים, טיפול אישי, בריאות הציבור ופיתוח תרופות [1].

גישות NLP ספציפיות

מספר גישות NLP נמצאות בשימוש לחילוץ תובנות קליניות מטקסטים רפואיים:

חילוץ ישויות ויחסים: Shaina Raza ו-Brian Schwartz מציעים מסגרת המשלבת NLP כדי למצוא ישויות בעלות שם דמוגרפיות ויחסים בדוחות מקרה קליניים, ומדגימים את ערכה בדוחות COVID-19 [2]. Zeyu Zhang et al. שאפו לשפר חילוץ יחסים בקנה מידה גדול עם סוגים מגוונים, שניתן להשתמש בהם באופן נרחב בכרייה [3].

כריית טקסט: HsiaoYun Chang et al. השתמש באלגוריתמי כריית טקסט כדי לזהות את הגורמים הנפוצים ביותר להערכת תועלת בסיכון בשימוש בגישות בריאות משלימות ואינטגרטיביות שנמצאות ברשומות הכתובות של אנשי מקצוע בתחום הבריאות [4]. גישה זו יכולה לספק תובנות לגבי האופן שבו אנשי מקצוע בתחום הבריאות מקבלים החלטות על סמך נתונים נרטיביים [4].

ניתוח סנטימנטים: למרות שלא הוזכר במפורש במסמכים שסופקו, ניתוח סנטימנטים, תת-תחום של NLP, יכול לשמש כדי לאמוד את עמדות המטופלים והספקים כלפי טיפולים ושירותי בריאות מנתוני טקסט.

יתרונות ה-NLP

השימוש ב-NLP מציע מספר יתרונות בחילוץ תובנות קליניות:

יעילות: NLP יכול לעבד ביעילות כמויות גדולות של טקסטים רפואיים, שיהיה בלתי אפשרי לנתח באופן ידני.

אובייקטיביות: NLP יכול לספק ניתוח אובייקטיבי ועקבי יותר בהשוואה לבדיקה ידנית, ולהפחית את הסיכון להטיה אנושית.

תובנות בזמן אמת: NLP יכול לספק תובנות בזמן אמת מטקסטים רפואיים, ולאפשר התערבויות בזמן ושיפור קבלת החלטות.

יישום של AI ולמידת מכונה

טכניקות AI ולמידת מכונה משולבות יותר ויותר עם NLP כדי לשפר את חילוץ התובנות הקליניות מטקסטים רפואיים. טכניקות אלה יכולות לזהות דפוסים, לחזות תוצאות ולספק המלצות מותאמות אישית.

תמיכה בהחלטות קליניות מונעות בינה מלאכותית

Adarsh Kumar ו-Anjali Gond מציינים כי NLP תומך במערכות תמיכה להחלטות קליניות (CDSS), המסייעות בקבלת החלטות על ידי מתן ידע קליני מותאם אישית ומידע [5]. AI עוזר למנוע שגיאות תרופות ולשפר את בטיחות המטופלים [5].

Ryo Fujimori et al. מעריכים את הקבלה והמכשולים ליישום CDSS מבוסס AI במחלקות חירום, ומדגישים את הפוטנציאל של AI לשפר את הטיפול הדחוף [6].

זיהוי וחיזוי מחלות

Kumar ו-Gond מציינים כי תוכנת טיפול ראייה מבוססת AI ותפקידו של AI בזיהוי מחלת אלצהיימר הראו הבטחה גדולה בחוללות מהפכה בזיהוי מחלות [5].

Mengjie Fang et al. בונה נומוגרם רדיומי עמוק למידה (DLRN) המבוסס על סריקות CT לפני הטיפול כדי לחזות את היעילות של כימותרפיה נאואדג'ובנטית לסרטן הקיבה [7]. זה מדגים את הפוטנציאל של AI לספק מידע אבחוני עזר לטיפול פרטני [7].

ניתוח ביג דאטה

Jun Wang ו-Ai-Rong Yu מציעים עיצוב חדשני לפלטפורמת ביג דאטה רפואית המשלבת למידת מכונה וגרפי ידע, תוך שימוש במודלים של שפה בקנה מידה גדול כדי לבצע ניתוח וכרייה של טקסט, תמונות ונתונים אחרים [8]. פלטפורמה זו שואפת לשפר את האיכות והיעילות של הטיפול הקליני בבית החולים וההוראה המדעית [8].

Kornelia Batko ואנדז'יי איזאק מצביעים על כך שההקדמה של Big Data Analytics (BDA) בתחום הבריאות מאפשרת שימוש בטכנולוגיות חדשות הן בטיפול בחולים והן בניהול בריאות [9]. BDA מאפשרת החלטות מונחות נתונים בתחומים מנהליים, עסקיים וקליניים [9].

אתגרים ומגבלות

למרות ההתקדמות המשמעותית בניתוח טקסטים רפואיים לתובנות קליניות, מספר אתגרים ומגבלות נותרו:

איכות נתונים והטיה

Michael Wornow et al. מצאו שרוב ה-LLM מאומנים על מערכי נתונים קטנים בהיקף מצומצם או קורפוסים ביו-רפואיים ציבוריים רחבים המוערכים במשימות שאינן מספקות תובנות משמעותיות למערכות בריאות [10].

Leo Anthony Celi et al. מתארים את הנוף של AI ברפואה ומתווים פערים במקורות נתונים של אוכלוסייה, ומציינים שמערכי נתונים אמריקאים וסיניים מיוצגים יתר על המידה באופן לא פרופורציונלי [11]. הם גם מציינים כי AI מועסק בדרך כלל בהתמחויות עשירות בתמונות, בעיקר על ידי חוקרים גברים עם רקע לא קליני [11].

שיקולים אתיים

Santosh G Honavar מציע כי שיקולים אתיים חשובים בעת שימוש ב-ChatGPT [12].

מחסומי יישום

Luke Slawomirski et al. מציינים כי בעוד שגישת המטופלים ל-EHR גדלה, מכשולים כגון התנגדות ספקים, מחסומים טכניים ומכשולים משפטיים ממשיכים להתקיים [13].

הצורך בתקינה

Mengchun Gong et al. טוענים שהגורם החשוב ביותר הוא התקינה החסרה [14]. השקעה זו בחומרה ובתוכנה צריכה לפחות כדי ליצור, ליצור ולהבין אוכלוסיות מושפעות [14].

הזדמנויות וכיוונים עתידיים

קיימות מספר הזדמנויות לקידום נוסף של ניתוח טקסטים רפואיים לתובנות קליניות:

שיפור איכות הנתונים והייצוג

Celi et al. מציעים לפתח תשתית טכנולוגית באזורים דלי נתונים ולבצע בדיקות תוקף חיצוניות וכיול מחדש לפני היישום [11].

שיפור שיתוף פעולה ומחקר בין-תחומי

Andreas Ebbehj et al. מציעים ששיתופי פעולה בין-תחומיים והתאמה רחבה יותר של עקרונות ניתנים לשחזור נחוצים כדי להגביר את השפעת המחקר [15].

התייחסות לדאגות אתיות

Honavar מציע שיש לקבוע הנחיות וגבולות כדי להגדיר את התפקיד המדויק של AI בהכנת כתבי יד [12].

קידום סטנדרטיזציה ותפעוליות הדדית

Gong et al. מציעים שמאמצים לגשת וליישר נתוני בריאות קיימים הדגישו אתגרי תפעוליות הדדית מסובכים [14].

מינוף נתוני העולם האמיתי

Fang Liu ו-Demosthenes B. Panagiotakos מציעים כי לנתוני העולם האמיתי יש פוטנציאל גדול ליצירת ראיות ותכנון ניסויים מאשרים [16].

סיכום במאמר קודם סיכום זה מצוטט עם הגהה...

ניתוח טקסטים רפואיים לתובנות קליניות הוא תחום המתפתח במהירות עם פוטנציאל לשנות את שירותי הבריאות. טכניקות NLP, AI ולמידת מכונה מאפשרות חילוץ מידע רב ערך מנתונים לא מובנים, מה שמוביל לשיפור תמיכה בהחלטות קליניות, זיהוי מחלות ותוצאות מטופלים. עם זאת, יש לטפל באתגרים הקשורים לאיכות נתונים, הטיה, שיקולים אתיים ומחסומי יישום כדי להבטיח שטכנולוגיות אלה ישמשו באחריות וביעילות. על ידי קידום סטנדרטיזציה של נתונים, שיתוף פעולה בין-תחומי והנחיות אתיות, ניתן לממש את מלוא הפוטנציאל של ניתוח טקסט רפואי, מה שיוביל למערכת בריאות שוויונית ומונחית נתונים יותר.

Style: CHICAGO

[1] Zhou, Binggui, Yang, Guanghua, Shi, Zheng, and Ma, Shaodan. 2022. "Natural Language Processing for Smart Healthcare". Institute of Electrical and Electronics Engineers. https://doi.org/10.1109/rbme.2022.3210270

[2] Raza, Shaina and Schwartz, Brian. 2023. "Entity and relation extraction from clinical case reports of COVID-19: a natural language processing approach". BioMed Central. https://doi.org/10.1186/s12911-023-02117-3

[3] Zhang, Zeyu, et al.. 2023. "Large-Scale Biomedical Relation Extraction Across Diverse Relation Types: Model Development and Usability Study on COVID-19". JMIR Publications. https://doi.org/10.2196/48115

[4] Chang, HsiaoYun, Yang, Yahui, Lo, ChiaLun, and Huang, YuYao. 2022. "Factors Considered Important by Healthcare Professionals for the Management of Using Complementary Therapy in Diabetes". Lippincott Williams & Wilkins. https://doi.org/10.1097/cin.0000000000000977

[5] Kumar, Adarsh and GOND, ANJALI. 2023. "NATURAL LANGUAGE PROCESSING: HEALTHCARE ACHIEVING BENEFITS VIA NLP". None. https://doi.org/10.14293/pr2199.000280.v1

[6] Fujimori, Ryo, Liu, Keibun, Soeno, Shoko, Naraba, Hiromu, Ogura, Kentaro, Hara, Konan, Sonoo, Tomohiro, Ogura, Takayuki, Nakamura, Kensuke, and Goto, Tadahiro. 2022. "Acceptance, Barriers, and Facilitators to Implementing Artificial IntelligenceBased Decision Support Systems in Emergency Departments: Quantitative and Qualitative Evaluation". None. https://doi.org/10.2196/36501

[7] Fang, Mengjie, Tian, Jie, and Dong, Di. 2022. "Non-invasively predicting response to neoadjuvant chemotherapy in gastric cancer via deep learning radiomics". Elsevier BV. https://doi.org/10.1016/j.eclinm.2022.101380

[8] Wang, Jun and Yu, Ai-Rong. 2023. "Innovative Design of Medical Big Data Platform Integrating Machine Learning and Knowledge Graph". Atlantis Press. https://doi.org/10.2991/978-94-6463-242-2_76

[9] Batko, Kornelia and lzak, Andrzej. 2022. "The use of Big Data Analytics in healthcare". Springer Science+Business Media. https://doi.org/10.1186/s40537-021-00553-4

[10] Wornow, Michael, Xu, Yizhe, Thapa, Rahul, Patel, Birju, Steinberg, Ethan, Fleming, Scott L., Pfeffer, Michael A., Fries, Jason, and Shah, Nigam H.. 2023. "The shaky foundations of large language models and foundation models for electronic health records". Nature Portfolio. https://doi.org/10.1038/s41746-023-00879-8

[11] Celi, Leo Anthony, et al.. 2022. "Sources of bias in artificial intelligence that perpetuate healthcare disparitiesA global review". Public Library of Science. https://doi.org/10.1371/journal.pdig.0000022

[12] Honavar, Santosh G. 2023. "Eye of the AI storm: Exploring the impact of AI tools in ophthalmology". Medknow. https://doi.org/10.4103/ijo.ijo_1478_23

[13] Slawomirski, Luke, Lindner, Luca, Bienassis, Katherine De, Haywood, Philip, Hashiguchi, Tiago Cravo Oliveira, Steentjes, Melanie, and Oderkirk, Jillian. 2023. "Progress on implementing and using electronic health record systems". None. https://doi.org/10.1787/4f4ce846-en

[14] Gong, Mengchun, Jiao, Yuanshi, Gong, Yang, and Liu, Li. 2022. "Data standards and standardization: The shortest plank of bucket for the COVID-19 containment". Elsevier BV. https://doi.org/10.1016/j.lanwpc.2022.100565

[15] Ebbehj, Andreas, Poulsen, Mette Stergaard, Andersen, Ole Emil, Glindtvad, Michala Vilstrup, and Hulmn, Dm. 2022. "Transfer learning for non-image data in clinical research: A scoping review". Public Library of Science. https://doi.org/10.1371/journal.pdig.0000014

[16] Liu, Fang and Panagiotakos, Demosthenes B.. 2022. "Real-world data: a brief review of the methods, applications, challenges and opportunities". BioMed Central. https://doi.org/10.1186/s12874-022-01768-6