Artificial Intelligence-Based Models for Prediction of Mortality in ICU Patients: A Scoping Review
Notice bibliographique
Résumé
Background and ObjectiveHealthcare professionals may be able to anticipate more accurately a patient's timing of death and assess their possibility of recovery by implementing a real-time clinical decision support system. Using such a tool, the healthcare system can better understand a patient's condition and make more informed judgements about distributing limited resources. This scoping review aimed to analyze various death prediction AI (Artificial Intelligence) algorithms that have been used in ICU (Intensive Care Unit) patient populations.MethodsThe search strategy of this study involved keyword combinations of outcome and patient setting such as mortality, survival, ICU, terminal care. These terms were used to perform database searches in MEDLINE, Embase, and PubMed up to July 2022. The variables, characteristics, and performance of the identified predictive models were summarized. The accuracy of the models was compared using their Area Under the Curve (AUC) values.ResultsDatabases search yielded an initial pool of 8271 articles. A two-step screening process was then applied: first, titles and abstracts were reviewed for relevance, reducing the pool to 429 articles. Next, a full-text review was conducted, further narrowing down the selection to 400 key studies. Out of 400 studies on different tools or models for prediction of mortality in ICUs, 16 papers focused on AI-based models which were ultimately included in this study that have deployed different AI-based and machine learning models to make a prediction about negative patient outcome. The accuracy and performance of the different models varied depending on the patient populations and medical conditions. It was found that AI models compared with traditional tools like SAP3 or APACHE IV score were more accurate in death prediction, with some models achieving an AUC of up to 92.9%. The overall mortality rate ranged from 5% to more than 60% in different studies.ConclusionWe found that AI-based models exhibit varying performance across different patient populations. To enhance the accuracy of mortality prediction, we recommend customizing models for specific patient groups and medical contexts. By doing so, healthcare professionals may more effectively assess mortality risk and tailor treatments accordingly. Additionally, incorporating additional variables-such as genetic information-into new models can further improve their accuracy.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,015 | 0,074 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,008 |
| Bibliométrie | 0,020 | 0,015 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,002 |
| 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 source (Gemma direct ou Codex distillé), 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 ».