Artificial intelligence (AI) has become increasingly widespread in our daily lives, including healthcare applications. AI has brought many new insights into better ways we care for our patients with chronic liver disease, including non-alcoholic fatty liver disease and liver fibrosis. There are multiple ways to apply the AI technology on top of the conventional invasive (liver biopsy) and noninvasive (transient elastography, serum biomarkers, or clinical prediction models) approaches. In this review article, we discuss the principles of applying AI on electronic health records, liver biopsy, and liver images. A few common AI approaches include logistic regression, decision tree, random forest, and XGBoost for data at a single time stamp, recurrent neural networks for sequential data, and deep neural networks for histology and images.The advancement of investigation tools and electronic health records (EHR) enables a paradigm shift from guideline-specific therapy toward patient-specific precision medicine.  https://www.selleckchem.com/products/rvx-208.html  The multiparametric and large detailed information necessitates novel analyses to explore the insight of diseases and to aid the diagnosis, monitoring, and outcome prediction. Artificial intelligence (AI), machine learning, and deep learning (DL) provide various models of supervised, or unsupervised algorithms, and sophisticated neural networks to generate predictive models more precisely than conventional ones. The data, application tasks, and algorithms are three key components in AI. Various data formats are available in daily clinical practice of hepatology, including radiological imaging, EHR, liver pathology, data from wearable devices, and multi-omics measurements. The images of abdominal ultrasonography, computed tomography, and magnetic resonance imaging can be used to predict liver fibrosis, cirrhosis, non-alcoholic fatty liver disease (NAFLD), and differentiation of benign tumors from hepatocellular carcinoma (HCC). Using EHR, the AI algorithms help predict the diagnosis and outcomes of liver cirrhosis, HCC, NAFLD, portal hypertension, varices, liver transplantation, and acute liver failure. AI helps to predict severity and patterns of fibrosis, steatosis, activity of NAFLD, and survival of HCC by using pathological data. Despite of these high potentials of AI application, data preparation, collection, quality, labeling, and sampling biases of data are major concerns. The selection, evaluation, and validation of algorithms, as well as real-world application of these AI models, are also challenging. Nevertheless, AI opens the new era of precision medicine in hepatology, which will change our future practice.Artificial intelligence (AI) is a branch of computer science that attempts to mimic human intelligence, such as learning and problem-solving skills. The use of AI in hepatology occurred later than in gastroenterology. Nevertheless, studies on applying AI to liver disease have recently increased. AI in hepatology can be applied for detecting liver fibrosis, differentiating focal liver lesions, predicting prognosis of chronic liver disease, and diagnosing of nonalcoholic fatty liver disease. We expect that AI will eventually help manage patients with liver disease, predict the clinical outcomes, and reduce medical errors. However, there are several hurdles that need to be overcome. Here, we will briefly review the areas of liver disease to which AI can be applied.Die Tumeszenz-Lokalanästhesie (TLA) spielt bei dermatochirurgischen Eingriffen eine wichtige Rolle. Die TLA bietet etliche Vorteile, wie lang anhaltende Betäubung, reduzierte Blutung während der Operation und Vermeidung möglicher Komplikationen einer Vollnarkose. Einfache Durchführung, günstiges Risikoprofil und breites Indikationsspektrum sind weitere Gründe dafür, dass TLA zunehmend auch bei Säuglingen eingesetzt wird. Es gibt nicht nur viele Indikationen für chirurgische Exzisionen im Säuglingsalter, wie angeborene Naevi, sondern es hat auch erhebliche Vorteile, wenn diese Exzisionen in einem frühen Alter durchgeführt werden. Dazu zählen die geringere Größe der Läsionen sowie die unproblematische Wundheilung und Geweberegeneration im Säuglingsalter. Dennoch müssen hinsichtlich der Anwendung der TLA bei Säuglingen einige Aspekte berücksichtigt werden, darunter die Dosierung, eine veränderte Plasmaproteinbindung und die Notwendigkeit einer adäquaten und lang anhaltenden Schmerzkontrolle.
  Primär kutane Lymphome (PCL) unterscheiden sich oft stark im klinischen Verhalten und in der Prognose von systemischen Lymphomen des gleichen histopathologischen Typs. Ziel der Studie war es, die Verteilung der PCL-Subtypen, die Zeitspanne von der Krankheitsmanifestation bis zur Diagnosestellung, den Stellenwert diagnostischer Verfahren, das Auftreten von Zweittumoren und die verschiedenen Behandlungsmodalitäten im Rahmen des Krankheitsverlaufs zu untersuchen.
 
  Retrospektive Analyse von 152 Patienten mit PCL, die von 2010-2012 an der Universitäts-Hautklinik Tübingen behandelt wurden.
 
  105 Patienten mit primär kutanem T-Zell-Lymphom (CTCL) (69,1%) und 47 Patienten mit primär kutanem B-Zell-Lymphom (CBCL) (30,9%) wurden eingeschlossen. Die Zeitspanne von der Krankheitsmanifestation bis zur Diagnose betrug durchschnittlich vier Jahre. Mycosis fungoides (MF) (47,4%) wurde am häufigsten diagnostiziert. Die First-Line-Therapien umfassten hier entweder eine alleinige Phototherapie (PUVA, n=48; UVB 311nm, n=7) oder Kombinationstherapien (PUVA mit systemischen Retinoiden, n=18). Häufigste Second-Line-Therapie war Interferon (INF)-α plus PUVA (n=15). Der Behandlungsverlauf war insgesamt günstig (45,2% Remission, 28,6% stabile Erkrankung, 22,6% Progress). Maligne Komorbiditäten wurden im Vergleich zu einer gesunden Vergleichsgruppe häufiger beobachtet.
 
  Bis zur Diagnosestellung der PCL dauert es oft mehrere Jahre. Der Wert der Staging-Verfahren ist gering. Die Behandlungsmodalitäten in früheren MF-Stadien basieren hauptsächlich auf der Phototherapie.
 Bis zur Diagnosestellung der PCL dauert es oft mehrere Jahre. Der Wert der Staging-Verfahren ist gering. Die Behandlungsmodalitäten in früheren MF-Stadien basieren hauptsächlich auf der Phototherapie.