The use of artificial intelligence and machine learning methods in early pregnancy pre-eclampsia screening: A systematic review protocol
Notice bibliographique
Résumé
INTRODUCTION: Pre-eclampsia (PE) is a leading cause of perinatal morbidity and mortality worldwide. Low-dose aspirin can prevent PE in high risk pregnancies if started early. However, despite intense research into the area, early pregnancy screening for PE risk is still not a routine part of pregnancy care. Several studies have described the application of artificial intelligence (AI) and machine learning (ML) in risk prediction of PE and its subtypes. A systematic review of available literature is necessary to catalogue the current applications of AI/ML methods in early pregnancy screening for PE, in order to better inform the development of clinically relevant risk prediction algorithms which will enable timely intervention and the development of new treatment strategies. The aim of this systematic review is to identify and assess studies regarding the application of AI/ML methods in early pregnancy screening for PE. METHODS: A systematic review of peer-reviewed as well as the pre-published cohort, case-control, or cross-sectional studies will be conducted. Relevant information will be accessed from the following databases; PubMed, Google Scholar, Scopus, Embase, Web of Science, Cochrane Library, Arxiv, BioRxiv, and MedRxiv. The studies will be evaluated by two reviewers in a parallel, blind assessment of the literature, a third reviewer will assess any studies in which the first two reviewers did not agree. The free online tool Rayyan, will be used in this literature assessment stage. The Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA) 2020 checklist will be used to guide the review process and the methods of the studies will be assessed using the Newcastle-Ottawa scale. Narrative synthesis will be conducted for all included studies. Meta-analysis will also be conducted where data quality and availability allow. ETHICS AND DISSEMINATION: The review will not require ethical approval and the findings will be published in a peer-reviewed journal using the PRISMA guidelines. TRIAL REGISTRATION: Trial registration: The protocol for this systematic review has been registered in PROSPERO [CRD42022345786]. https://www.crd.york.ac.uk/prospero/display_record.php?ID=CRD42022345786.
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 | 0,049 | 0,063 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,004 |
| Méta-épidémiologie (sens large) | 0,017 | 0,011 |
| Bibliométrie | 0,015 | 0,010 |
| Études des sciences et des technologies | 0,003 | 0,004 |
| Communication savante | 0,006 | 0,008 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,006 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,065 | 0,007 |
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 ».