Science fiction or clinical reality: a review of the applications of artificial intelligence along the continuum of trauma care
Notice bibliographique
Résumé
Artificial intelligence (AI) and machine learning describe a broad range of algorithm types that can be trained based on datasets to make predictions. The increasing sophistication of AI has created new opportunities to apply these algorithms within within trauma care. Our paper overviews the current uses of AI along the continuum of trauma care, including injury prediction, triage, emergency department volume, assessment, and outcomes. Starting at the point of injury, algorithms are being used to predict severity of motor vehicle crashes, which can help inform emergency responses. Once on the scene, AI can be used to help emergency services triage patients remotely in order to inform transfer location and urgency. For the receiving hospital, these tools can be used to predict trauma volumes in the emergency department to help allocate appropriate staffing. After patient arrival to hospital, these algorithms not only can help to predict injury severity, which can inform decision-making, but also predict patient outcomes to help trauma teams anticipate patient trajectory. Overall, these tools have the capability to transform trauma care. AI is still nascent within the trauma surgery sphere, but this body of the literature shows that this technology has vast potential. AI-based predictive tools in trauma need to be explored further through prospective trials and clinical validation of algorithms.
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 | 0,006 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,001 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».