Application of Artificial Intelligence in Symptom Monitoring in Adult Cancer Survivorship: A Systematic 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
PURPOSE: The adoption of artificial intelligence (AI) in health care may afford new avenues for personalized and patient-centered care. This systematic review explored the role of AI in symptom monitoring for adult cancer survivors. METHODS: A comprehensive search was performed from inception to November 2023 in seven bibliographic databases and three clinical trial registries. This PROSPERO registered review (ID: CRD42023476027) assessed reports of empirical research studies of AI use in symptom monitoring (physical and psychological symptoms) across all cancer types in adults. RESULTS: A total of 18,530 reports were identified, of which 41 met review criteria and were analyzed. Included studies were predominantly published between 2021 and 2023, originated in the United States (39.0%) and Japan (14.6%), and primarily used cohort designs (80.5%), followed by cross-sectional designs (12.2%). The mean sample size was 617.14 (standard deviation = 1,401.37), with most studies primarily including multiple tumor types (31.7%) or breast cancer survivors (26.8%). Machine learning algorithms (43.9%) was the most used AI method, followed by natural language processing (29.3%), AI-driven chatbots (17.1%), and decision support tools (9.8%). The most common inputs to the AI algorithms were textual data, patient-reported symptoms, and physiologic measurements. The most examined symptom was pain (34.2% of studies), followed by fatigue and nausea (17.1% of studies each). Overall, the review showed increasing AI technology use in the prediction and monitoring of cancer symptoms. CONCLUSION: AI is being used to enhance symptom monitoring in various cancer settings. When considering integration into clinical practice, standardization of data capture, the use of analytics, investing in infrastructure, and the end-user experience should be considered for successful implementation and monitoring the improvement of patient outcomes.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,006 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,001 | 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 découle