PRACA PRZEGLĄDOWA
Zastosowanie sztucznej inteligencji w diagnostyce otoneurologicznej – przegląd wybranych publikacji
Anna Krupa 1, A-F
,
 
,
 
,
 
 
 
Więcej
Ukryj
1
Zakład Teleaudiologii i Badań Przesiewowych, Instytut Fizjologii i Patologii Słuchu, Światowe Centrum Słuchu, Polska
 
2
Zakład Otoneurologii, Instytut Fizjologii i Patologii Słuchu, Polska
 
3
Klinika Oto-Ryno-Laryngochirurgii, Instytut Fizjologii i Patologii Słuchu, Polska
 
4
Wydział Biologii, Uniwersytet Warszawski, Polska
 
5
II Wydział Lekarski, Zakład Niewydolności Serca i Rehabilitacji Kardiologicznej, Warszawski Uniwersytet Medyczny, Polska
 
6
nie dotyczy, Instytut Narządów Zmysłów, Polska
 
 
A - Koncepcja i projekt badania; B - Gromadzenie i/lub zestawianie danych; C - Analiza i interpretacja danych; D - Napisanie artykułu; E - Krytyczne zrecenzowanie artykułu; F - Zatwierdzenie ostatecznej wersji artykułu;
 
 
Data publikacji: 20-09-2021
 
 
Autor do korespondencji
Anna Krupa   

Zakład Teleaudiologii i Badań Przesiewowych, Instytut Fizjologii i Patologii Słuchu, Światowe Centrum Słuchu, Mochnackiego 10, 02-042, Warszawa, Polska
 
 
Now Audiofonol 2021;10(1):9-15
 
SŁOWA KLUCZOWE
DZIEDZINY
STRESZCZENIE
Wstęp:
Nowoczesne technologie, tj. sztuczna inteligencja (AI), w niezwykłym tempie stają się elementem wspomagającym opiniowanie w zakresie diagnostyki dysfunkcji błędnika. Według naukowców sztuczna inteligencja szybko analizuje obszerne dane dzięki zastosowaniu algorytmów, a w rezultacie wyniki są szczegółowe i precyzyjne.

Materiał i metody:
W przeglądzie zawierają się wybrane publikacje z lat 2015–2021 dostępne w bazach: PubMed, Science Direct oraz Web of Science, dotyczące zastosowania uczenia maszynowego w diagnostyce częstych zaburzeń narządu przedsionkowego.

Wnioski:
Z klinicznego punktu widzenia ze względu na liczne czynniki, które wpływają na odczucie zawrotów głowy i zaburzenia postawy, wprowadzenie sztucznej inteligencji do samodzielnej oceny funkcji narządu przedsionkowego nie jest jeszcze możliwe. W niniejszej pracy wskazuje się na potrzebę analizowania obiektywnych badań diagnostycznych zarówno przez uczenie maszynowe, jak i lekarza, co łącznie staje się istotnym elementem w pracy klinicznej.

Scroll to top