Telemedicine involves medical practice and information and communications technology. It has been proven to be very effective for remote health care, especially in areas with poor provision of health facilities. However, implementation of these technologies is often hampered by various issues. Among these, ethical and legal concerns are some of the more complex and diverse ones. In this study, an analysis of scientific literature was carried out to identify the ethical and legal challenges of telemedicine.

This paper reviews applications of machine learning (ML) predictive models in the diagnosis of chronic diseases. Chronic diseases (CDs) are responsible for a major portion of global health costs. Patients who suffer from these diseases need lifelong treatment. Nowadays, predictive models are frequently applied in the diagnosis and forecasting of these diseases. In this study, we reviewed the state-of-the-art approaches that encompass ML models in the primary diagnosis of CD. This analysis covers 453 papers published between 2015 and 2019, and our document search was conducted from PubMed (Medline), and Cumulative Index to Nursing and Allied Health Literature (CINAHL) libraries. Ultimately, 22 studies were selected to present all modeling methods in a precise way that explains CD diagnosis and usage models of individual pathologies with associated strengths and limitations. Our outcomes suggest that there are no standard methods to determine the best approach in real-time clinical practice since each method has its advantages and disadvantages. Among the methods considered, support vector machines (SVM), logistic regression (LR), clustering were the most commonly used. These models are highly applicable in classification, and diagnosis of CD and are expected to become more important in medical practice in the near future.

Machine Learning (ML) is considered as one of the contemporary approaches in predicting, identifying, and making decisions without having human involvement. ML is quickly evolving in the medical industry ranging from diagnosis to visualization of diseases and the study of disease transmission. These algorithms were developed to identify the problems in medical image processing. Numerous studies previously attempted to apply these algorithms on MRI (Magnetic Resonance Image) data to predict AD (Alzheimer's disease) in advance. The present study aims to explore the usage of support vector machine (SVM) in the prediction of dementia and validate its performance through statistical analysis. Data is obtained from the Open Access Series of Imaging Studies (OASIS-2) longitudinal collection of 150 subjects of 373 MRI data. Results provide evidence that better performance values for dementia prediction are achieved by low gamma (1.0E-4) and high regularized (C = 100) values. The proposed approach is shown to achieve accuracy and precision of 68.75% and 64.18%.

Internet represents a relevant source of information, but reliability of data that can be obtained by the web is still an unsolved issue. Non-reliable online information may have a relevance, especially in taking decisions related to health problems. Uncertainties on the quality of online health data may have a negative impact on health-related choices of citizens.This work consisted in a cross-sectional literature review of published papers on online health information. The two main research objectives consisted in the analysis of trends in the use of health web sites and in the quality assessment and reliability levels of web medical sites.Literature research was made using four digital reference databases, namely PubMed, British Medical Journal, Biomed, and CINAHL. Entries used were "trustworthy of medical information online," "survey to evaluate medical information online," "medical information online," and "habits of web-based health information users". Analysis included only papers published in English. The Newcastle Ottawa Scale was used to conduct quality checks of selected works.Literature analysis using the above entries resulted in 212 studies. Twenty-four articles in line with study objectives, and user characteristics were selected. People more prone to use the internet for obtaining health information were females, younger people, scholars, and employees. Reliability of different online health sites is an issue taken into account by the majority of people using the internet for obtaining health information and physician assistance could help people to surf more safe health web sites.Limited health information and/or web literacy can cause misunderstandings in evaluating medical data found in the web. An appropriate education plan and evaluation tools could enhance user skills and bring to a more cautious analysis of health information found in the web.

Digital health systems contain large amounts of patient records, doctor notes, and prescriptions in text format. This information summarized over the electronic clinical information will lead to an improved quality of healthcare, the possibility of fewer medical errors, and low costs. Besides, seafarers are more vulnerable to have accidents, and prone to health hazards because of work culture, climatic changes, and personal habits. Therefore, text mining implementation in seafarers' medical documents can generate better knowledge of medical issues that often happened onboard. Medical records are collected from digital health systems of Centro Internazionale Radio Medico (C.I.R.M.) which is an Italian Telemedical Maritime Assistance System (TMAS). Three years (2018–2020) patient data have been used for analysis. Adoption of both lexicon and Naïve Bayes' algorithms was done to perform sentimental analysis and experiments were conducted over R statistical tool. Visualization of symptomatic information was done through word clouds and 96% of the correlation between medical problems and diagnosis outcome has been achieved. We validate the sentiment analysis with more than 80% accuracy and precision.

(1) Background: Diabetes is a common chronic disease and a leading cause of death. Early diagnosis gives patients with diabetes the opportunity to improve their dietary habits and lifestyle and manage the disease successfully. Several studies have explored the use of machine learning (ML) techniques to predict and diagnose this disease. In this study, we conducted experiments to predict diabetes in Pima Indian females with particular ML classifiers. (2) Method: A Pima Indian diabetes dataset (PIDD) with 768 female patients was considered for this study. Different data mining operations were performed to a conduct comparative analysis of four different ML classifiers: Naïve Bayes (NB), J48, Logistic Regression (LR), and Random Forest (RF). These models were analyzed by different cross-validation (K = 5, 10, 15, and 20) values, and the performance measurements of accuracy, precision, F-score, recall, and AUC were calculated for each model. (3) Results: LR was found to have the highest accuracy (0.77) for all ‘k’ values. When k = 5, the accuracy of J48, NB, and RF was found to be 0.71, 0.76, and 0.75. For k = 10, the accuracy of J48, NB, and RF was found to be 0.73, 0.76, 0.74, while for k = 15, 20, the accuracy of NB was found to be 0.76. The accuracy of J48 and RF was found to be 0.76 when k = 15, and 0.75 when k = 20. Other parameters, such as precision, f-score, recall, and AUC, were also considered in evaluations to rank the algorithms. (4) Conclusion: The present study on PIDD sought to identify an optimized ML model, using with cross-validation methods. The AUC of LR was 0.83, RF 0.82, and NB 0.81). These three were ranked as the best models for predicting whether a patient is diabetic or not.

Background: Different studies showed that the use of telemedicine is effective in reducing hospital burden, suffering from patients, need of transports, hospital fear, save money and time, and increasing the quality of health care. However, the implementation of telemedicine countenances different challenges in developing countries generally and in Ethiopia, particularly. This review aims to evaluate barriers affecting sustainable telemedicine implementation in Ethiopia. Methods: PubMed (Medline), Google Scholar, Embase, and Scopus databases were searched between July 4, 2020 and July 28, 2020. Studies published between 2005 and June 30, 2020 were considered. Relevant articles were selected by reviewing keywords, titles, and abstracts. Out of 40 articles, 33 articles remained after removing duplicates. We finally analyzed 14 articles from the mentioned databases based on our eligibility criteria and identified different barriers. We followed the preferred reporting items for systematic review and meta-analyses (PRSIMA 2009) checklist for this review. Results: We identified 25 barriers through 14 articles and classified barriers into organizational, users, and staff and programmers' barriers. Accordingly, organizational, users, and staff and programmer barriers were 12 (48%), 7 (28%), and 6 (24%), respectively, with the frequency of occurrence through 14 articles. Cost, awareness, and resistance to change were the most frequently reported barriers among organizational, user, and staff and programmer barriers, respectively. Conclusions: Infrastructure and costs were the most frequently reported barriers, and staff resistance to change was also the critical factor in influencing the sustainable implementation of telemedicine in Ethiopia.

The ongoing vaccination program in the control of novel coronavirus (COVID-19)is providing an opportunity to public health authorities to emerge from the current pandemic crisis.Covid vaccination which protects from getting Covid may have some minor side effects and in rare cases was accompanied by severe or immediate reactions. The development of hyaluronic acid soft tissue filler delayed inflammatory reactions following COVID-19 vaccination was reported. Treatments based on hyaluronic acid represent one of the most largely used practice of aesthetic medicine. In this we present a case of a 38-year-old female patient with a confirmed hypersensitivity reaction after having the BNT162b2 vaccine (Pfizer, USA). This case indicates that an adequate patient knowledge prior to hyaluronic acid injections to avoid adverse effect of a delayed-type hypersensitivity response after COVID-19 vaccination is desirable.

Background: Severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2), the aetiological factor of COVID-19 infection, poses problems in providing medical assistance at sea. Ships are in an isolated environment, and most of the merchant ships do not carry medical personnel or medical supplies. Telemedicine offers a real possibility to provide reasonable quality medical assistance to seagoing vessels. The fact that ships may touch ports in affected areas, the difficulties for seafarers to be assisted ashore due to quarantine measures and the crews' lack of turnover make medical assistance at sea difficult. This study has compared maritime telemedical assistance data before and during the COVID-19 pandemic to propose prevention measures. Materials and methods: The study was based on the data from medical records of Centro Internazionale Radio Medico (C.I.R.M.) database of seafarers assisted from January 1 to June 30, in the years 2017–2020. The data were collected separately for each year. Age, sex, rank, and pathologies affecting the assisted seafarers were considered. Common signs of COVID-19 infection such as fever, cough, sore throat, shortness of breath, and other respiratory symptoms were analysed. Results: From January 1, 2017, to December 31, 2019, C.I.R.M. assisted 15,888 patients on board ships. During the first 6 months of the years under evaluation, C.I.R.M. assisted 2,419 patients in 2017, 2,444 patients in 2018, 2,694 patients in 2019, and 3,924 in 2020. The number of assisted cases almost doubled in the first 6 months (from January to June) of 2020 compared to the same period of the previous years. Gastrointestinal disorders, injuries/traumas, and dermatological pathologies were the first, second, and third most often reported causes of illness on board over the 4-year study period. A higher number of seafarers with fever, cough, sore throat, and shortness of breath were assisted during the COVID-19 pandemic than before the coronavirus outbreak. Medical requests for fever increased significantly during the COVID-19 pandemic compared to the same period from 2017 to 2019. Conclusions: The requests for medical advice for fever, sore throat, and shortness of breath were significantly more common during the coronavirus epidemic. Close follow-up, regular health education on preventing coronavirus transmission, personal protective equipment, adequate environmental hygiene, and applying other standard precautions could help minimise the risk factors for the spread of COVID-19.