Can machine learning assist in systemic sclerosis diagnosis and management? A scoping review
Notice bibliographique
Résumé
This scoping review aims to summarize the existing literature on how machine learning can be used to impact systemic sclerosis diagnosis, management, and treatment. Following Preferred Reporting Items for Systematic reviews and Meta-Analyses extension for Scoping Reviews (PRISMA-ScR) reporting guidelines, Embase, Web of Science, Medline (PubMed), IEEE Xplore, and ACM Digital Library were searched from inception to 3 March 2024, for primary literature reporting on machine learning models in any capacity regarding scleroderma. Following robust triaging, 11 retrospective studies were included in this scoping review. Three studies focused on the diagnosis of scleroderma to influence preferred management and nine studies on treatment and predicting treatment response to scleroderma. Nine studies used supervision in their machine learning model training; two used supervised and unsupervised training and one used solely unsupervised training. A total of 817 patients were included in the data sets. Seven of the included articles used patients from the United States, one from Belgium, two from Japan, and two from China. Although currently limited to retrospective studies, the results indicate that machine learning modeling may have a role in early diagnosis, management, therapeutic decision-making, and in the development of future therapies for systemic sclerosis. Prospective studies examining the use of machine learning in clinical practice are recommended to confirm the utility of machine learning in patients with systemic sclerosis.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 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 | 0,001 | 0,002 |
| 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 ».