Major areas of interest of artificial intelligence research applied to health care administrative data: a scoping review
Notice bibliographique
Résumé
Introduction: The ongoing collection of large medical data has created conditions for application of artificial intelligence (AI) in research. This scoping review aimed to identify major areas of interest of AI applied to health care administrative data. Methods: The search was performed in seven databases: Medline, Embase, CINAHL, Web of science, IEEE, ICM digital library, and Compendex. We included articles published between January 2001 and March 2021, that described research with AI applied to medical diagnostics, pharmacotherapy, and health outcomes data. We screened the full text content and used natural language processing to automatically extract health areas of interest, principal AI methods, and names of medications. Results: Out of 14,864 articles, 343 were included. We determined ten areas of interest, the most common being health diagnostic or treatment outcome prediction (32%); representation of medical data, clinical pathways, and data temporality (i.e., transformation of raw medical data into compact and analysis-friendly format) (22%); and adverse drug effects, drug-drug interactions, and medication cascades (15%). Less attention has been devoted to areas such as health effects of polypharmacy (1%); and reinforcement learning (1%). The most common AI methods were decision trees, cluster analysis, random forests, and support vector machines. Most frequently mentioned medications included insulin, metformin, vitamins, acetaminophen, and heparin. Conclusions: The scoping review revealed the potential of AI application to health-related studies. However, several areas of interest in pharmacoepidemiology are sparsely reported, and the lack of details in studies related to pharmacotherapy suggests that AI could be used more optimally in pharmacoepidemiologic research.
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 | 0,008 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».