The Role of Artificial Intelligence in Predicting Flap Outcomes in Plastic Surgery: Protocol of a Systematic Review
Notice bibliographique
Résumé
Introduction: Free flap surgery encompasses reconstruction of diverse tissue defects. Flap failure and complications such as infection and ischemia remain a concern following flap surgery, with the current post-operative standard of care being frequent bedside monitoring. Artificial intelligence such as machine learning models could help support surgeons in postoperative monitoring and predicting complications. The purpose of this systematic review is to provide the framework for a review analyzing the existing literature behind the use of artificial intelligence in assessing flap surgery outcomes and predicting postoperative complications. Methods: A systematic review will be conducted using EMBASE and MEDLINE (1974 to October 2021) to identify relevant literature. This will include studies investigating Artificial Intelligence and machine learning models used in the postoperative setting of flap surgery. Primary outcomes will include evaluating the accuracy of evaluating outcomes following flap surgery based on these models, including: flap success, healing and complications up to 1 month following surgery. Secondary outcomes include the analysis of benefits and drawbacks of using machine learning models for outcomes following flap surgery. Studies will be screened by two independent reviewers; risk of bias will be assessed using the Cochrane risk of bias tool with methodological quality assessed using the QUADAS-2 tool. Discussion: This protocol will provide the framework for a review summarizing the current literature exploring the role of Artificial Intelligence for flap surgery outcomes. Results will help provide surgeons with an overview of current applications and identify areas of potential further research and development. Conclusion: As current clinical practice is regular bedside monitoring, integrating Artificial Intelligence could make the process more efficient, accurate and safer for patients and reduce labour burden or healthcare system costs. This review can help identify areas of potential and improvement which could further aid achieving successful outcomes following flap surgery.
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 | 0,028 | 0,052 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,002 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,004 |
| 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 ».