Artificial intelligence(1st part) / الذكاء الاصطناعي ( الجزء الأول ) (بالانجليزية والعربية)

 

                           

Artificial intelligence (AI) is poised to revolutionize nursing practice in various areas such as administration, clinical care, education, policy, and research. It is seen as a valuable tool that can help nurses in synthesizing information quickly, making clinical decisions, enhancing the delivery of care, and ultimately improving patient outcomes. By combining these solutions and educating nurses on how to effectively utilize them, there are endless possibilities for enhancing efficiency, capacity, quality, and transforming healthcare in the future. Therefore, it is crucial for nurses to actively involved in the development and application of AI. In healthcare AI is defined as the ability of machines to perform intelligent human tasks like problem-solving and reasoning. It typically involves software programs that analyse data from multiple sources and turn data into knowledge to guide decisions or actions in clinical and operational settings. 

There are three forms of artificial intelligence technology (AIT) used in the healthcare field. These include machine learning, deep learning, and natural language processing. Machine learning involves using algorithms (computer programs) to analyse data and create instructions for tasks. Machine learning and predictive analytics are commonly used in healthcare today, involving the analysis of historical data to predict future events. In nursing, examples of this type of AI include electronic health record (EHR) clinical decision support tools, radiology image recognition, and disease progression prediction. 

Deep learning, a subcategory of machine learning, aims to achieve the same outcomes with less human involvement. It expands neural networks, which are algorithms designed to mimic human thought processes and are utilized to recognize patterns in extensive datasets such as text and images. Examples including predicting diseases such as diabetes and heart disease, detecting sepsis at an early stage, using automated techniques to diagnose medical images like tumours, discovering new drugs, detecting disease outbreaks, providing personalized healthcare based on genomics like drug therapy. In contrast, natural language processing focuses on creating algorithms that can understand and analyse unstructured text and speech data. Some applications include confirming diagnoses, developing clinical terminology, analysing content qualitatively. 

Another form of artificial intelligence is the combination of natural language processing (NLP) with Automated Speech Recognition (ASR), which helps computers to better comprehend and analyse human languages. When paired with predictive analytics and machine learning (ML), NLP and ASR allow researchers to create algorithms for tasks such as language translation, semantic comprehension, and text summarization. This makes it easier to interpret and process large amounts of text with minimal effort. Some examples of NLP and ASR applications in healthcare industry like extracting information from medical records and utilizing speech-activated devices. 

Nursing artificial intelligence tools include clinical decision support, mobile health and sensor-based technologies, and voice assistants and robotics. Clinical decision support tools can help nurses make better decisions by providing information and options based on data. It can assist nurses in advocating for patients, identifying care gaps, and predicting fall risks, providing nursing diagnosis, guiding decisions, recommending interventions, and making workflow more efficient. For instance, when evaluating the risk of pressure injuries or falls, AI tools take into consideration risk factors over time and adjust their calculations for better accuracy. In contrast, traditional tools only consider a limited number of factors at a single moment, and they are unable to accommodate individual differences. 

Mobile health (mHealth) and sensor-based technologies offer new ways for nurses to provide care and monitor patients, especially when resources are limited. These tools are particularly helpful for managing chronic diseases. Mobile health technologies such as smartphones, smartphone apps, and wearable devices allow patients to share information with their healthcare providers, giving a more complete understanding of their health status in their daily lives. Sensors placed in homes or hospitals can help nurses communicate with patients, track movement, and collect various health data. These technologies can be used throughout a patient's journey from hospital to home care. Smartphones are widely accessible and can improve healthcare access for people of all backgrounds. Wearable sensors for monitoring activity, sleep, and heart health are becoming more affordable, allowing nurses to track patient data in real-time for effective diagnosis and monitoring. The use of mobile health and sensor-based technologies has become increasingly important during the COVID-19 pandemic. This has enabled remote monitoring and data collection from patients outside of traditional clinic visits.  

Another example highlighting the benefits of mobile health is when diabetic individuals utilize mobile devices to monitor their health, healthcare providers can analyse the data to recognize patterns and encourage patients to make changes based on trends. This analysis can also help identify patients who require additional care and self-management. Nurses can use this data into clinic visits to show patients their daily activities and physical changes. Voice assistants like Amazon Alexa and Google Assistant may potentially be employed in the future to gather patient data at home and offer assistance. For instance, caregivers could utilize Alexa to remind elderly patients to take their medications, check their blood pressure, and keep track of their health. As robotics technology advances, robots can serve as care companions and tools for remote care. Hospitals are increasingly using telepresence robots to aid in patient care.

Lastly, artificial intelligence in healthcare has the potential to have a positive impact on patient care, population health, health equity, healthcare costs, satisfaction and well-being of healthcare professionals, and overall productivity. AI can also enhance the management and analysis of electronic health records, streamline administrative processes, and improve communication among healthcare teams. This is particularly beneficial for nurses as it allows them to spend more time with patients and less time on paperwork. Additionally, AI offers several advantages in healthcare, including remote monitoring with telemedicine, virtual health assistants for patient engagement, early disease detection with advanced medical image analysis, personalized treatment plans based on genetic and lifestyle data, predictive analytics for disease outbreaks and patient admissions, early warning systems for identifying deteriorating patient conditions, and the use of AI-powered robots in surgery to reduce the risk of human error. AI also plays a crucial role in drug discovery, streamlining administrative tasks, and data analysis in clinical trials and research. In nursing simulation training, AI can increase realism and interaction, personalized learning experiences, and provide various tools such as virtual patient models, intelligent reporting systems, adaptive learning platforms, and clinical decision support systems (CDS). By using these systems, students can enhance their critical thinking and clinical judgment abilities through exposing to complex and realistic patient care situations. 

Although AI has its advantages, a major downside in healthcare is the potential for errors and biases in algorithms, as well as concerns regarding data privacy and ethical issues. The opacity of some AI algorithms, known as "black box AI", can lead to inaccurate results, requiring healthcare professionals to interpret and validate recommendations to ensure patient safety and legal compliance. Careful design, testing, and regulation are necessary to address these concerns and maximize the benefits of AI in healthcare.

Continue: read second part.................

الذكاء الاصطناعي

 يستعد الذكاء الاصطناعي لإحداث ثورة في ممارسة التمريض في مجالات مختلفة مثل الإدارة والرعاية السريرية والتعليم والسياسة والبحث. ويُنظر إليها على أنها أداة قيمة يمكن أن تساعد الممرضات في تجميع المعلومات بسرعة، واتخاذ القرارات السريرية، وتعزيز تقديم الرعاية، وتحسين نتائج المرضى في نهاية المطاف. ومن خلال الجمع بين هذه الحلول وتثقيف الممرضات حول كيفية الاستفادة منها بشكل فعال، هناك مزايا لا حصر لها لتعزيز الكفاءة والقدرة والجودة وتحويل الرعاية الصحية في المستقبل. لذلك، من الضروري أن يشارك الممرضون في تطوير وتطبيق الذكاء الاصطناعي. في مجال الرعاية الصحية، ويتم تعريف الذكاء الاصطناعي على أنه قدرة الآلات على أداء المهام البشرية الذكية مثل حل المشكلات والتفكير. ويتضمن عادةً برامج حاسوبية تحلل البيانات من مصادر متعددة وتحول البيانات إلى معرفة لتوجيه واتخاذ القرارات أو الإجراءات.

هناك ثلاثة أنواع من تكنولوجيا الذكاء الاصطناعي المستخدمة في مجال الرعاية الصحية. وتشمل هذه التعلم الآلي، والتعلم العميق، ومعالجة اللغة الطبيعية. يتضمن التعلم الآلي استخدام الخوارزميات (برامج الكمبيوتر) لتحليل البيانات وإنشاء تعليمات للمهام. فاليوم من الشائع استخدام التعلم الآلي والتحليلات التنبؤية في مجال الرعاية الصحية، بما في ذلك تحليل التاريخ المرضي للتنبؤ بالأحداث المستقبلية. في مجال التمريض، وتشمل أمثلة هذا النوع من الذكاء الاصطناعي أدوات دعم القرار السريري للسجل الصحي الإلكتروني ، والتعرف على الأشعات، والتنبؤ بتطور المرض.

وأما التعلم العميق، وهو فئة فرعية من التعلم الآلي، يهدف إلى تحقيق نفس النتائج مع مشاركة بشرية أقل. إنه يوسع الشبكات العصبية، وهي خوارزميات مصممة لتقليد عمليات التفكير البشري وتستخدم للتعرف على الأنماط في مجموعات البيانات الشاملة مثل النصوص والصور.أمثلة لذلك تشمل التنبؤ بالأمراض مثل مرض السكري وأمراض القلب، والكشف عن الإنتان ( تسمم الدم ) في مرحلة مبكرة، واستخدام التقنيات الآلية لتشخيص اللأشعات مثل الأورام، واكتشاف أدوية جديدة، والكشف عن تفشي الأمراض، وتوفير الرعاية الصحية الشخصية القائمة على علم الجينوم مثل العلاج الدوائي. في المقابل، تركز معالجة اللغة الطبيعية على إنشاء خوارزميات يمكنها فهم وتحليل بيانات النص والكلام غير المنظمة. وتتضمن بعض التطبيقات تأكيد التشخيص، وتطوير المصطلحات السريرية، وتحليل المحتوى نوعيًا.

شكل آخر من أشكال الذكاء الاصطناعي هو الجمع بين معالجة اللغة الطبيعية والتعرف الآلي على الكلام ، مما يساعد أجهزة الكمبيوتر على فهم اللغات البشرية وتحليلها بشكل أفضل. عند اقترانها بالتحليلات التنبؤية والتعلم الآلي، تسمح البرمجة اللغوية العصبية والتعرف الالي على الكلام للباحثين بإنشاء خوارزميات لمهام مثل ترجمة اللغة والفهم الدلالي وتلخيص النص. وهذا يجعل من السهل تفسير ومعالجة كميات كبيرة من النص بأقل جهد. بعض الأمثلة على تطبيقات البرمجة اللغوية العصبية والتعرف الآلي على الكلام  في صناعة الرعاية الصحية مثل استخراج المعلومات من السجلات الطبية واستخدام أجهزة تنشيط الكلام.

 تشمل أدوات الذكاء الاصطناعي للتمريض دعم القرارات السريرية، والصحة المتنقلة والتقنيات القائمة على أجهزة الاستشعار، والمساعدين الصوتيين والروبوتات. يمكن لأدوات دعم القرار السريري أن تساعد الممرضات على اتخاذ قرارات أفضل من خلال توفير المعلومات والخيارات بناءً على البيانات. ويمكنه مساعدة الممرضات في الدفاع عن المرضى، وتحديد فجوات الرعاية، والتنبؤ بمخاطر السقوط، وتوفير التشخيص التمريضي، وتوجيه القرارات، والتوصية بالتدخلات، وجعل سير العمل أكثر كفاءة. على سبيل المثال، عند تقييم مخاطر إصابات الضغط أو السقوط، تأخذ أدوات الذكاء الاصطناعي في الاعتبار عوامل الخطر بمرور الوقت وتضبط حساباتها للحصول على دقة أفضل. وفي المقابل، لا تأخذ الأدوات التقليدية في الاعتبار سوى عدد محدود من العوامل في لحظة واحدة، وهي غير قادرة على استيعاب الفروق الفردية.

 بينما توفر الصحة المتنقلة والتقنيات القائمة على أجهزة الاستشعار طرقًا جديدة للممرضات لتقديم الرعاية ومراقبة المرضى، خاصة عندما تكون الموارد محدودة. هذه الأدوات مفيدة بشكل خاص للتعامل مع الأمراض المزمنة. تسمح التقنيات الصحية المتنقلة مثل الهواتف الذكية وتطبيقات الهواتف الذكية والأجهزة القابلة للارتداء للمرضى بمشاركة المعلومات مع مقدمي الرعاية الصحية، مما يوفر فهمًا أكثر اكتمالًا لحالتهم الصحية. يمكن لأجهزة الاستشعار الموضوعة في المنازل أو المستشفيات مساعدة الممرضات على التواصل مع المرضى وتتبع الحركة وجمع البيانات الصحية المختلفة. ويمكن استخدام هذه التقنيات طوال رحلة المريض من المستشفى إلى الرعاية المنزلية. أصبحت أجهزة الاستشعار القابلة للارتداء لمراقبة النشاط والنوم وصحة القلب ميسورة التكلفة، مما يسمح للممرضات بتتبع بيانات المريض في الوقت الفعلي من أجل التشخيص والمراقبة الفعالة. وأصبح استخدام التقنيات الصحية المتنقلة والتقنيات القائمة على أجهزة الاستشعار ذا أهمية متزايدة خلال جائحة كوفيد-19. وقد مكن ذلك من المراقبة عن بعد وجمع البيانات من المرضى خارج زيارات العيادات التقليدية.

مثال آخر يسلط الضوء على فوائد الصحة المتنقلة هو عندما يستخدم الأفراد المصابون بالسكري الأجهزة المحمولة لمراقبة صحتهم، يمكن لمقدمي الرعاية الصحية تحليل البيانات للتعرف على الأنماط وتشجيع المرضى على إجراء تغييرات. يمكن أن يساعد هذا التحليل أيضًا في تحديد المرضى الذين يحتاجون إلى رعاية إضافية ورعاية ذاتية. ويمكن للممرضات استخدام هذه البيانات في زيارات العيادة لإظهار أنشطتهم اليومية والتغيرات الجسدية للمرضى. من المحتمل أن يتم توظيف المساعدين الصوتيين مثل أمازون الكسا ومساعد جوجل في المستقبل لجمع بيانات المرضى في المنزل وتقديم المساعدة. على سبيل المثال، يمكن لمقدمي الرعاية استخدام الكسا لتذكير المرضى المسنين بتناول أدويتهم، وفحص ضغط الدم، ومتابعة صحتهم. مع تقدم تكنولوجيا الروبوتات، يمكن للروبوتات أن تكون بمثابة مرافقين للرعاية وأدوات للرعاية عن بعد. حيث تستخدم المستشفيات بشكل متزايد روبوتات الحضور عن بعد للمساعدة في رعاية المرضى.

وأخيرا، يوفر الذكاء الاصطناعي العديد من المزايا في مجال الرعاية الصحية، مثل المراقبة عن بعد، والكشف المبكر عن الأمراض من خلال تحليل الأشعات، ووضع خطط العلاج الشخصية القائمة على البيانات الجينية وبيانات نمط الحياة، والتحليلات التنبؤية لتفشي الأمراض والمريض، وأنظمة الإنذار المبكر لتحديد التدهور في حالات المرضى، واستخدام الروبوتات التي تعمل بالذكاء الاصطناعي في الجراحة للحد من مخاطر الخطأ البشري. ويلعب الذكاء الاصطناعي أيضًا دورًا حاسمًا في اكتشاف الأدوية، وتبسيط المهام الإدارية، وتحليل البيانات في التجارب والأبحاث السريرية.

وأخيرًا، يتمتع الذكاء الاصطناعي في مجال الرعاية الصحية بالقدرة على إحداث تأثير إيجابي على رعاية المرضى، وصحة السكان، والمساواة في مجال الصحة، وتكاليف الرعاية الصحية، ورضا ورفاهية المتخصصين في الرعاية الصحية، والإنتاجية الإجمالية. يمكن للذكاء الاصطناعي أيضًا تعزيز إدارة وتحليل السجلات الصحية الإلكترونية، وتبسيط العمليات الإدارية، وتحسين التواصل بين فرق الرعاية الصحية. وهذا مفيد بشكل خاص للممرضات لأنه يسمح لهم بقضاء المزيد من الوقت مع المرضى ووقت أقل في الأعمال الورقية. بالإضافة إلى ذلك، يوفر الذكاء الاصطناعي العديد من المزايا في مجال الرعاية الصحية، بما في ذلك المراقبة عن بعد، ومشاركة المرضى من خلال فيديوهات افتراضية، والكشف المبكر عن الأمراض من خلال تحليل الأشعات، وخطط العلاج الشخصية، والتحليلات التنبؤية لتفشي الأمراض. وأنظمة الإنذار المبكر لتحديد حالات المرضى المتدهورة، واستخدام الروبوتات التي تعمل بالذكاء الاصطناعي في العمليات الجراحية للحد من مخاطر الخطأ البشري. ويلعب الذكاء الاصطناعي أيضًا دورًا حاسمًا في اكتشاف الأدوية، وتبسيط المهام الإدارية، وتحليل البيانات في التجارب والأبحاث السريرية. في التدريب على محاكاة التمريض، يمكن للذكاء الاصطناعي زيادة الواقعية والتفاعل، وتجارب التعلم الشخصية، وتوفير أدوات متنوعة مثل نماذج المرضى الافتراضية، وأنظمة التقارير الذكية، ومنصات التعلم التكيفية، وأنظمة دعم القرار السريري. باستخدام هذه الأنظمة، يمكن للطلاب تعزيز قدراتهم على التفكير النقدي والحكم السريري من خلال التعرض لمواقف رعاية المرضى المعقدة والواقعية.

على الرغم من أن الذكاء الاصطناعي يتمتع بمزاياه، إلا أن الجانب السلبي الرئيسي في الرعاية الصحية هو احتمال حدوث أخطاء وتحيزات في الخوارزميات، فضلاً عن المخاوف المتعلقة بخصوصية البيانات والقضايا الأخلاقية. يمكن أن يؤدي غموض بعض خوارزميات الذكاء الاصطناعي، المعروفة باسم "الصندوق الأسود للذكاء الاصطناعي"، إلى نتائج غير دقيقة، مما يتطلب من المتخصصين في الرعاية الصحية تفسير التوصيات والتحقق من صحتها لضمان سلامة المرضى والامتثال القانوني. يعد التصميم والاختبار والتنظيم الدقيق أمرًا ضروريًا لمعالجة هذه المخاوف وتعظيم فوائد الذكاء الاصطناعي في الرعاية الصحية.

للمزيد: اقرأ الجزء الثاني .......................

References

Abd El-Monem, A.M., Rashed, S.E., Hasanin, A.Gh. (2023). Artificial Intelligence technology and its

        relation to staff nurses' professional identity and problem solving abilities. International Egyptian

       Journal of Nursing Sciences and Research, 3(2). 

Ajani, R., Chatterjee, A., Talwai, A., & Zhang, J. (2018). How a pharma company applied machine

       learning to patient data. Harvard Business Review. Retrieved from hbr.org/2018/10/how-a-pharma-

       company-applied-machine-learning-to-patient-data

Begum, A. (2023). The impact of artificial intelligence on nursing: Revolutionizing Patient Care.

       Retrieved from https://www.nurses.co.uk/blog/the-impact-of-artificial-intelligence-on-nursing-

       revolutionizing-patient-care/

Božić, V.  (2023). Artifical Intelligence in nurse education. Retrieved

   from https://www.researchgate.net/publication/372110719_Artifical_Intelligence_in_nurse_education

Cary Jr, M.P., Zhuang, F., Draelos, R.L., Pan, W., Amarasekara, S., Douthit,B.J. , Kang, Y., & Colón-

       Emeric, C.S.  (2021). Machine learning algorithms to predict mortality and

      allocate palliative care for older patients with hip fracture. J Am Med Dir Assoc,22(2), 291-296.

      doi:10.1016/j.jamda.2020.09.025

Centers for Medicare & Medicaid Services. (2017). National health expenditures 2017 highlights.

        Retrieved from cms.gov/research-statistics-data-and-systems/statistics-trends-and-

        reports/nationalhealthexpenddata/downloads/highlights.pdf.

Clancy, T.R. (2020). Artificial intelligence and nursing: the future is now. The Journal of Nursing

       Administration, 50(3), 125–127.

Clearstep Media. (2023). Artificial Intelligence in nursing: the future of nursing care. Retrieved from

         https://www.clearstep.health/blog/artificial-intelligence-in-nursing

Davenport, T., & Kalakota, R. (2019). The potential for artificial intelligence in healthcare. Future

       Healthc J, 6(2), 94-98. doi: 10.7861/futurehosp.6-2-94. PMID: 31363513; PMCID: PMC6616181.

Douthit, B.J., Hu, X., Richesson, R.L., Kim, H., & Cary, M.P. (2020). How artificial intelligence is

        transforming the future of nursing. American Nurse J,15(9),100-102.

Douthit, B.J., Shaw, R.J., Lytle, K.S., Richesson, R.L., & Cary, M.P. (2022). Artificial intelligence in

      nursing. American Nurse Journal, 19 (5). https://www.myamericannurse.com/ai-artificial-

      intelligence-in-nursing/

Duggal, N. (2024). Advantages and disadvantages of Artificial Intelligence [AI].  Retrieved from

       https://www.simplilearn.com/advantages-and-disadvantages-of-artificial-intelligence-article

European Commission. (2019). Factsheet: AI for Europe. Retrieved from

         https://ec.europa.eu/digitalsingle-market/en/news/factsheetartificial-intelligence-europe

Gerich, H.V., Moen, H., Block, L.J., Chu, H.Ch., DeForest, H., Hobensack, M., Michalowski, M.,

      Mitchell, J , Nibber, R., Olalia, M.A., Pruinelli, L., Ronquillo, Ch.E., Topaz, M., & Peltonen, L.

      (2022). Artificial Intelligence-based technologies in nursing: a scoping literature review of the

       evidence. International Journal of Nursing Studies, 127,104153. 

Godwin, O. (2024). The impact of Artificial Intelligence in healthcare.  AI. https://www.researchgate.net/publication/378897741_The_Impact_of_Artificial_Intelligence_in_H

        ealthcare/citation/download

He, J., Baxter, J., Zhou, X., & Zhang., K. (2019). The practical implementation of AI technologies in

         medicine. Nature Medicine 25(1), 30.

Hwang, G.J., Chang, P.Y., Tseng, W.Y., Chou, Ch., Wu, Ch., & Tu, Y. (2022). Research trends in

         artificial intelligence-associated nursing activities based on a review of academic studies

          published from 2001 to 2020. CIN: Computers, Informatics, Nursing, 40 (12), 814–824. doi:

          10.1097/CIN.0000000000000897.

Lateef, Z. (2024). Understanding different types of Artificial Intelligence with examples. Retrieved

      from https://www.edureka.co/blog/types-of-artificial-

      intelligence/#What%20Is%20Artificial%20Intelligence

Li, Z., Moran, P., Dong, Q., Shaw, R. J., & Hauser, K. (2017). Development of a tele-nursing mobile

      manipulator for remote care-giving in quarantine areas. Retrieved from

       https://doi.org/10.1109/ICRA.2017.7989411

Martinez-Ortigosa, A., Martinez-Granados, A., Gil-Hernández, E., Rodriguez-Arrastia, M., Ropero-

      Padilla, C., & Roman, P.  (2023). Applications of Artificial Intelligence in nursing care: a systematic

       review.  Journal of Nursing Management, 2023,12. https://doi.org/10.1155/2023/3219127

Matheny, M., Israni, S., Whicher, D., & Ahmed, M. (2019).  AI in health care. The Hope, the Hype, the

    Promise, the Peril. A Special Publication from the National Academy of Medicine. National Academy

    of Medicine, 7–34.

O’Connor, S, Devane, D., & Rose, L. (2023). Realising the benefits of artificial intelligence for nursing

      practice. Retrieved from https://www.nursingtimes.net/clinical-

    archive/healthcare-it/realising-the-benefits-of-artificial-intelligence-for-nursing-practice-18-09-2023/

O’Connor, S., Yan, Y., Thilo, F.J.S., Felzmann, H., Dowding, D., & Lee, J.J. (2023). Artificial

        intelligence in nursing and midwifery: a systematic review. Journal of Clinical Nursing, 32(13–

        14), 2951–2968.

Rony, M.K.K., Kayesh, I., Bala,Sh.D., Akter, F, Parvin, M.R. (2024). Artificial intelligence in future

       nursing care: exploring perspectives of nursing professionals - A descriptive qualitative

       study. Science Direct, 10(4), e25718.

Seibert, K., Domhoff, D., Bruch, D., Schulte-Althoff, M., Fürstenau, D., Biessmann, F., & Wolf-

         Ostermann,K.  (2021). Application scenarios for artificial intelligence in nursing care: rapid

          review. Journal of Medical Internet Research, 23(11), e26522. doi: 10.2196/26522.

Stokes, F., & Palmer, A. (2020). Artificial intelligence and robotics in nursing: ethics of caring as a

       guide to dividing tasks between AI and humans. An International Journal for Healthcare

       Professionals, 21(4).

Tran, B., La, V., Nghiem, K., Nguyen, H., Latkin, C., Tam, W., Cheung, N., & Ho, R. (2019). Global

     evolution of research in AI in health and medicine: a bibliometric study. J Clin Med 8 (3), 360. doi:

     10.3390/jcm8030360.

Veldhuis, L.I., Woittiez, N.J.C., Nanayakkara, P.W.B., & Ludikhuize, J. (2022). Artificial intelligence

       for the prediction of in-hospital clinical deterioration: a systematic review. Critical Care

       Explorations, 4,(9),e0744. DOI: 10.1097/CCE.0000000000000744

Woo, M., Alhanti, B., Lusk, S., Dunston, f., Blackwelder, S., Lytle,K.S., Goldstein, B.A.,  & Bedoya,

        A. (2020). Evaluation of ML-based clinical decision support tool to

        replace an existing tool in an academic health system: Lessons learned. J Pers Med, 10(3),104.

        doi:10.3390/jpm10030104

 Yang, Q., Hatch, D., Crowley, M.J., Lewinski,A.A., Vaughn, J., Steinberg, D., Vorderstrasse, A.,

        JiangM., & Shaw,R.J. (2020). Digital phenotyping self-monitoring behaviors for

        individuals with type 2 diabetes mellitus: Observational study using latent class growth analysis.

        JMIR Mhealth Uhealth, 8(6),e17730. doi:10.2196/17730