Special Issue on “Artificial Intelligence‐Driven Decision Making in Health and Medicine”
Notice bibliographique
Résumé
Artificial Intelligence (AI) refers to an interdisciplinary area which embraces computer science, robotics, engineering, mathematics, and statistics, and is largely based on the ability of a machine to learn from experience, to simulate the human intelligence, to adapt to new scenarios, and to perform human-like activities.AI has revolutionized and disrupted many areas and sectors, and it is playing an ever-growing critical role in business, science, and society.It is well recognized by experts that AI will be outperforming humans on most cognitive tasks within this century, as well disrupt more than any previous technological revolution.The expression "AI-Driven Decision Making" refers to any AI technology, method, or algorithm that can support the decision-making process in a domain.AI technologies and models can compete and sometimes surpass human clinician performance in a variety of tasks and support the decision-making process in multiple medical domains.The International Transactions in Operational Research (ITOR) will publish a special issue to promote the development of AI-Driven Decision Making in Health and Medicine.Topics of interest include (but are not limited to): pattern recognition in medical images, telemedicine, natural language processing for clinical documentation, cancer screening, precision medicine, robot surgeries, virtual nursing assistant, genomic analysis, personalized treatment protocols, and operations of medical institutions.This special issue will especially focus on relevant AI applications to healthcare and medicine.It aims at shedding light on the use of AI techniques and models to search and analyse medical data, to discover insights, to uncover hidden patterns, and to help with the decision-making process, the patient-doctor interaction, the health outcome, the medical diagnosis, and the overall patient experience.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 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) | 0,003 | 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 ».