The Use of Artificial Intelligence Techniques in Nursing Data Systems: Scoping Review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Introduction. Artificial intelligence and machine learning are technologies that assist in uncovering patterns in data that can inform clinical decision-making. The Registered Nurses’ Association of Ontario has used artificial intelligence techniques to assist in understanding impactful clinical practices and implementation strategies. This scoping review aimed to discover the adaptation and implementation of various artificial intelligence and machine learning techniques in various healthcare settings using different data systems that house nursing-related data. Methodology. In March 2022, a scoping review was conducted to search for peer-reviewed literature using the following terms: “nursing”, “artificial intelligence”, “data systems”, “statistics”, and “aggregated data”. Studies were excluded if they were not relevant to nursing, utilized qualitative or mixed-methods analyses, were literature review articles, and did not focus on artificial intelligence or the use of patient-level data. Results. A total of 2,627 articles were retrieved, with 1,518 articles remaining after de-duplication. Through title and abstract screening, 1,347 articles remained. Following the full-text screening, 13 studies remained. Artificial intelligence techniques used by healthcare data systems include regression, neural networks, classification, and graph-based methods, among others. Discussion. There is a gap in the application of artificial intelligence methods in data systems that evaluate the impact of implementing best practices in nursing. More data systems are needed that employ artificial intelligence techniques to support the evaluation of best practices in nursing and other health professions. Conclusions. Various artificial intelligence techniques in data systems housing nursing-related data were retrieved. However, more data systems and research are needed in this area.
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.
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 | 0,004 | 0,003 |
| 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle