Artificial intelligence to improve antimicrobial prescribing: A protocol for a systematic review
Notice bibliographique
Résumé
Introduction: The inappropriate use of antimicrobials is a threat to their effectiveness and often results in antimicrobial resistance (AMR) and difficult to treat infections. Different methods have been implemented to control AMR, and in recent years, artificial intelligence (AI) has been used to improve antimicrobial prescribing. However, there is insufficient information about the contribution of AI in improving antimicrobial prescribing. This systematic review aims to determine whether the use of AI can improve antimicrobial prescribing for human patients. Methods: Observational studies that examine the potential or actual use of AI in improving antimicrobial prescribing cited in IEEE Xplore, ScienceDirect, Scopus, Web of Science, OVID, EMBASE and ACM will be included in this systematic review. There will be no restriction on language, nor the setting (i.e.: primary care or hospital) nor the time when the studies included were conducted. The primary outcome of this systematic review is the relative reduction in prescribed antimicrobials, while the secondary outcome is the relative reduction in patients’ consultations, whether for infection recurrence or worsening of symptoms. Data will be meta-analyzed with a Random Effects Model. The I 2 statistic for heterogeneity will be calculated and the Newcastle Ottawa Scale Tool will be used to assess risk of bias. Dissemination: The results will be disseminated through a peer-reviewed publication and scientific sessions. PROSPERO Registration: This protocol has been registered in PROSPERO online database (CRD42022329049; 14 May 2022).
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,058 | 0,101 |
| Méta-épidémiologie (sens strict) | 0,005 | 0,004 |
| Méta-épidémiologie (sens large) | 0,015 | 0,019 |
| Bibliométrie | 0,013 | 0,012 |
| Études des sciences et des technologies | 0,004 | 0,004 |
| Communication savante | 0,008 | 0,008 |
| Science ouverte | 0,004 | 0,005 |
| Intégrité de la recherche | 0,006 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,110 | 0,013 |
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 source (Gemma direct ou Codex distillé), 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 ».