Recent advances in artificial intelligence applications for supportive and palliative care in cancer patients
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 OF REVIEW: Artificial intelligence (AI) is a transformative technology that has the potential to improve and augment the clinical workflow in supportive and palliative care (SPC). The objective of this study was to provide an overview of the recent studies applying AI to SPC in cancer patients. RECENT FINDINGS: Between 2020 and 2022, 29 relevant studies were identified and categorized into two applications: predictive modeling and text screening. Predictive modeling uses machine learning and/or deep learning algorithms to make predictions regarding clinical outcomes. Most studies focused on predicting short-term mortality risk or survival within 6 months, while others used models to predict complications in patients receiving treatment and forecast the need for SPC services. Text screening typically uses natural language processing (NLP) to identify specific keywords, phrases, or documents from patient notes. Various applications of NLP were found, including the classification of symptom severity, identifying patients without documentation related to advance care planning, and monitoring online support group chat data. SUMMARY: This literature review indicates that AI tools can be used to support SPC clinicians in decision-making and reduce manual workload, leading to potentially improved care and outcomes for cancer patients. Emerging data from prospective studies supports the clinical benefit of these tools; however, more rigorous clinical validation is required before AI is routinely adopted in the SPC clinical workflow.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| 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 | 0,001 |
| 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 découle