Artificial intelligence for the triage of COVID-19 patients at the emergency department: a systematic review
Notice bibliographique
Résumé
The aim of this article is to systematically analyze the available literature on the efficacy and validity of artificial intelligence (AI) applied to medical imaging techniques in the triage of patients with suspected or confirmed coronavirus disease 2019 (COVID-19) in Emergency Departments (EDs). A systematic review following the Preferred Reporting Items for Systematic Reviews and Meta-Analyses guidelines was conducted. Medline, Web of Science, and Scopus were searched to identify observational studies evaluating the efficacy of AI methods in the diagnosis and prognosis of COVID-19 using medical imaging. The main characteristics of the selected studies were extracted by two independent researchers and were formally assessed in terms of methodological quality using the Newcastle-Ottawa scale. A total of 11 studies, including 14,499 patients, met inclusion criteria. The quality of the studies was medium to high. Overall, the diagnostic yield of the AI techniques compared to a gold standard was high, with sensitivity and specificity values ranging from 79% to 98% and from 70%to 93%, respectively. The methodological approaches and imaging datasets were highly heterogeneous among studies. In conclusion, AI methods significantly boost the diagnostic yield of medical imaging in the triage of COVID-19 patients in the ED. However, there are significant limitations that should be overcome in future studies, particularly regarding the heterogeneity and limited amount of available data to train AI models.
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 | 0,003 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».