Artificial Intelligence in COVID-19 Management: 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
<p>With the development of modern technologies in the field of healthcare, the use of Artificial Intelligence (AI) in disease management is increasing. AI methods may assist healthcare providers in the COVID-19 era. The current study aimed to observe the efficacy and importance of AI for managing the COVID-19 pandemic. An organized search was conducted, utilizing PubMed, Web of Science, Scopus, Embase, and Cochrane up to September 2022. Studies were considered qualified for inclusion if they met the inclusion criterion. We conducted review according to the Preferred Reporting Items for Systematic reviews and Meta Analyses (PRISMA) guidelines. There were 52 documents that met the eligibility criteria to be included in the review. The most common item using AI during the COVID-19 era was predictive models to foretell pneumonia and mortality risks in people with COVID-19 based on medical and experimental parameters. COVID-19 mortality was related to being male and elderly based on the Artificial Neural Network (ANN) and Convolutional Neural Network (CNN) logistic regression analysis of demographics, clinical data, and laboratory tests of hospitalized COVID-19 patients. AI can predict, diagnose and model COVID-19 by using techniques such as support vector machines, decision trees, and neural networks. It is suggested that future research should deal with the design and development of AI-based tools for the management of chronic diseases such as COVID-19.</p>
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 | 0,008 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 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