Developing medical devices with emerging technologies: trends, challenges, and future directions
Notice bibliographique
Résumé
This paper examines the rapid advancements and integration of emerging technologies in the medical field, particularly focusing on Artificial Intelligence (AI), the Internet of Medical Things (IoMT), Augmented Reality (AR), and cybersecurity. The study leverages data from Scopus and Web of Science databases to highlight the trends, challenges, and future directions in the development of medical devices. Significant progress has been made in enhancing patient care through the integration of AI and IoMT, which facilitate predictive analytics, personalized treatment plans, and real-time data monitoring. AR is transforming medical training and surgical precision, while cybersecurity measures are becoming increasingly vital to protect sensitive health data. Despite these advancements, the field faces challenges such as data privacy concerns, infrastructure limitations, and interoperability issues. The study also explores Africa’s contributions, with a particular emphasis on Morocco’s emerging role in this technological landscape. Three major research clusters identified include AI and AR, IoT and cybersecurity, and embedded systems, each playing an important role in the evolution of medical technologies. By analyzing publications from 2010 to 2024, the paper provides insights into the current state and future potential of advanced medical technologies, aiming to offer a foundation for further research and innovation in this rapidly evolving field.
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 | 0,006 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,004 | 0,010 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,011 | 0,015 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,019 | 0,006 |
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 ».