The efficacy of Artificial Intelligence to predict Post-operative Outcomes in Posterior Segment Ophthalmic Surgeries - A systematic review and meta-analysis
Notice bibliographique
Résumé
R eview question / Objective To assess the current knowledge regarding the use of artificial intelligence in predicting postoperative outcomes in patients undergoing posterior segment ophthalmic surgery.Condition being studied Population: Patients undergoing ophthalmic surgery on the posterior segment of the eye.Intervention: Utilization of artificial intelligence as a predictive tool.Outcome: Successful prediction of post-operative outcomes.METHODS Search strategy A systematic and thorough database search will include MEDLINE, Embase, Cochrane Database of Systematic Reviews, Cochrane Central Register of Controlled Trials, IEEE, Compendex, Web of Science, Scopus, and ProQuest Dissertations and Theses.Additionally, a grey literature search will be performed using Google Scholar.Participant or population Population: Patients undergoing ophthalmic surgery on the posterior segment of the eye.Intervention Intervention: Utilization of artificial intelligence as a predictive tool.Comparator Not utilizing AI to predict postoperative outcome of posterior segment ophthalmic surgeries.Study designs to be included Inclusion of artificial intelligence for predicting patient outcomes after ophthalmic surgical procedures in the posterior segment of the eye.Studies on laserbased procedures without a surgical element and other non-surgical procedures will not be included.Studies that did not define and predict at least one patient outcome will also be excluded from the review.No restrictions on the types of studies.Eligibility criteria Inclusion criteria: Primary studies using AI to predict outcomes after ophthalmic surgical procedures.Exclusion criteria
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 | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,012 | 0,003 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,000 |
| 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 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 ».