Clinical use of artificial intelligence in endometriosis: a scoping review
Notice bibliographique
Résumé
Endometriosis is a chronic, debilitating, gynecologic condition with a non-specific clinical presentation. Globally, patients can experience diagnostic delays of ~6 to 12 years, which significantly hinders adequate management and places a significant financial burden on patients and the healthcare system. Through artificial intelligence (AI), it is possible to create models that can extract data patterns to act as inputs for developing interventions with predictive and diagnostic accuracies that are superior to conventional methods and current tools used in standards of care. This literature review explored the use of AI methods to address different clinical problems in endometriosis. Approximately 1309 unique records were found across four databases; among those, 36 studies met the inclusion criteria. Studies were eligible if they involved an AI approach or model to explore endometriosis pathology, diagnostics, prediction, or management and if they reported evaluation metrics (sensitivity and specificity) after validating their models. Only articles accessible in English were included in this review. Logistic regression was the most popular machine learning method, followed by decision tree algorithms, random forest, and support vector machines. Approximately 44.4% (n = 16) of the studies analyzed the predictive capabilities of AI approaches in patients with endometriosis, while 47.2% (n = 17) explored diagnostic capabilities, and 8.33% (n = 3) used AI to improve disease understanding. Models were built using different data types, including biomarkers, clinical variables, metabolite spectra, genetic variables, imaging data, mixed methods, and lesion characteristics. Regardless of the AI-based endometriosis application (either diagnostic or predictive), pooled sensitivities ranged from 81.7 to 96.7%, and pooled specificities ranged between 70.7 and 91.6%. Overall, AI models displayed good diagnostic and predictive capacity in detecting endometriosis using simple classification scenarios (i.e., differentiating between cases and controls), showing promising directions for AI in assessing endometriosis in the near future. This timely review highlighted an emerging area of interest in endometriosis and AI. It also provided recommendations for future research in this field to improve the reproducibility of results and comparability between models, and further test the capacity of these models to enhance diagnosis, prediction, and management in endometriosis patients.
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 | 0,007 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,019 | 0,019 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».