Artificial Intelligence in COVID-19 Management: A Systematic Review
Notice bibliographique
Résumé
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.
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 | 0,007 | 0,033 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,007 |
| Bibliométrie | 0,007 | 0,010 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 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 ».