The Impact of Artificial Intelligence on Traditional Chinese Medicine
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Traditional Chinese Medicine (TCM) is a well-established medical system with a long history. Currently, artificial intelligence (AI) is rapidly expanding in many fields including TCM. AI will significantly improve the reliability and accuracy of diagnostics, thus increasing the use of effective therapeutic methods for patients. This systematic review provides an updated overview on the major breakthroughs in the field of AI-assisted TCM four diagnostic methods, syndrome differentiation, and treatment. AI-assisted TCM diagnosis is mainly based on digital data collected by modern electronic instruments, which makes TCM diagnosis more quantitative, objective, and standardized. As a result, the diagnosis decisions made by different TCM doctors exhibit more consistency, accuracy, and reliability. Meanwhile, the therapeutic efficacy of TCM can be evaluated objectively. Therefore, AI is promoting TCM from experience to evidence-based medicine, a genuine scientific revolution. Furthermore, huge and non-uniform knowledge on formula-syndrome relationships and the combination rules of herbal TCM formulae could be better standardized with the help of AI analysis, which is necessary for the clinical efficacy evaluation and further optimization on the standardized TCM formulae. AI bridges the gap between TCM and modern science and technology. AI may bring clinical TCM diagnostics closer to western medicine. With the help of AI, more scientific evidence about TCM will be discovered. It can be expected that more unified guidelines for specific TCM syndromes will be issued with the development of AI-assisted TCM therapies in the future.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,009 | 0,002 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,007 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle