Using AI-Based Technologies to Help Nurses Detect Behavioral Disorders: Narrative Literature Review
Notice bibliographique
Résumé
BACKGROUND: The behavioral and psychological symptoms of dementia (BPSD) are common among people with dementia and have multiple negative consequences. Artificial intelligence-based technologies (AITs) have the potential to help nurses in the early prodromal detection of BPSD. Despite significant recent interest in the topic and the increasing number of available appropriate devices, little information is available on using AITs to help nurses striving to detect BPSD early. OBJECTIVE: The aim of this study is to identify the number and characteristics of existing publications on introducing AITs to support nursing interventions to detect and manage BPSD early. METHODS: A literature review of publications in the PubMed database referring to AITs and dementia was conducted in September 2023. A detailed analysis sought to identify the characteristics of these publications. The results were reported using a narrative approach. RESULTS: A total of 25 publications from 14 countries were identified, with most describing prospective observational studies. We identified three categories of publications on using AITs and they are (1) predicting behaviors and the stages and progression of dementia, (2) screening and assessing clinical symptoms, and (3) managing dementia and BPSD. Most of the publications referred to managing dementia and BPSD. CONCLUSIONS: Despite growing interest, most AITs currently in use are designed to support psychosocial approaches to treating and caring for existing clinical signs of BPSD. AITs thus remain undertested and underused for the early and real-time detection of BPSD. They could, nevertheless, provide nurses with accurate, reliable systems for assessing, monitoring, planning, and supporting safe therapeutic interventions.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 |
| 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 ».