Cracking the Chronic Pain code: A scoping review of Artificial Intelligence in Chronic Pain research
Notice bibliographique
Résumé
OBJECTIVE: The aim of this review is to identify gaps and provide a direction for future research in the utilization of Artificial Intelligence (AI) in chronic pain (CP) management. METHODS: A comprehensive literature search was conducted using various databases, including Ovid MEDLINE, Web of Science Core Collection, IEEE Xplore, and ACM Digital Library. The search was limited to studies on AI in CP research, focusing on diagnosis, prognosis, clinical decision support, self-management, and rehabilitation. The studies were evaluated based on predefined inclusion criteria, including the reporting quality of AI algorithms used. RESULTS: After the screening process, 60 studies were reviewed, highlighting AI's effectiveness in diagnosing and classifying CP while revealing gaps in the attention given to treatment and rehabilitation. It was found that the most commonly used algorithms in CP research were support vector machines, logistic regression and random forest classifiers. The review also pointed out that attention to CP mechanisms is negligible despite being the most effective way to treat CP. CONCLUSION: The review concludes that to achieve more effective outcomes in CP management, future research should prioritize identifying CP mechanisms, CP management, and rehabilitation while leveraging a wider range of algorithms and architectures. SIGNIFICANCE: This review highlights the potential of AI in improving the management of CP, which is a significant personal and economic burden affecting more than 30% of the world's population. The identified gaps and future research directions provide valuable insights to researchers and practitioners in the field, with the potential to improve healthcare utilization.
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 | 0,058 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,001 |
| Bibliométrie | 0,003 | 0,010 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».