The role of artificial intelligence in analysis of biofluid markers for diagnosis and management of glaucoma: A systematic review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
PURPOSE: This review focuses on utility of artificial intelligence (AI) in analysis of biofluid markers in glaucoma. We detail the accuracy and validity of AI in the exploration of biomarkers to provide insight into glaucoma pathogenesis. METHODS: A comprehensive search was conducted across five electronic databases including Embase, Medline, Cochrane Central Register of Controlled Trials, Cochrane Database of Systematic Reviews, and Web of Science. Studies pertaining to biofluid marker analysis using AI or bioinformatics in glaucoma were included. Identified studies were critically appraised and assessed for risk of bias using the Joanna Briggs Institute Critical Appraisal tools. RESULTS: A total of 10,258 studies were screened and 39 studies met the inclusion criteria, including 23 cross-sectional studies (59%), nine prospective cohort studies (23%), six retrospective cohort studies (15%), and one case-control study (3%). Primary open angle glaucoma (POAG) was the most commonly studied subtype (55% of included studies). Twenty-four studies examined disease characteristics, 10 explored treatment decisions, and 5 provided diagnostic clarification. While studies examined at entire metabolomic or proteomic profiles to determine changes in POAG, there was heterogeneity in the data with over 175 unique, differentially expressed biomarkers reported. Discriminant analysis and artificial neural network predictive models displayed strong differentiating ability between glaucoma patients and controls, although these tools were untested in a clinical context. CONCLUSION: The use of AI models could inform glaucoma diagnosis with high sensitivity and specificity. While insight into differentially expressed biomarkers is valuable in pathogenic exploration, no clear pathogenic mechanism in glaucoma has emerged.
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.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,000 |
| 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 découle