The Development of Electronic Health and Artificial Intelligence in Surgery after the SARS-CoV-2 Pandemic—A Scoping Review
Notice bibliographique
Résumé
BACKGROUND: SARS-CoV-2 has significantly transformed the healthcare environment, and it has triggered the development of electronic health and artificial intelligence mechanisms, for instance. In this overview, we concentrated on enhancing the two concepts in surgery after the pandemic, and we examined the factors on a global scale. OBJECTIVE: The primary goal of this scoping review is to elaborate on how surgeons have used eHealth and AI before; during; and after the current global pandemic. More specifically, this review focuses on the empowerment of the concepts of electronic health and artificial intelligence after the pandemic; which mainly depend on the efforts of countries to advance the notions of surgery. DESIGN: The use of an online search engine was the most applied method. The publication years of all the studies included in the study ranged from 2013 to 2021. Out of the reviewed studies; forty-four qualified for inclusion in the review. DISCUSSION: We evaluated the prevalence of the concepts in different continents such as the United States; Europe; Asia; the Middle East; and Africa. Our research reveals that the success of eHealth and artificial intelligence adoption primarily depends on the efforts of countries to advance the notions in surgery. CONCLUSIONS: The study's primary limitation is insufficient information on eHealth and artificial intelligence concepts; particularly in developing nations. Future research should focus on establishing methods of handling eHealth and AI challenges around confidentiality and data security.
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.
Comment cette classification a été obtenuedéplier
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 | 0,016 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».