Current Status and Future Directions of Artificial Intelligence in Post-Traumatic Stress Disorder: A Literature Measurement Analysis
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
This study aims to explore the current state of research and the applicability of artificial intelligence (AI) at various stages of post-traumatic stress disorder (PTSD), including prevention, diagnosis, treatment, patient self-management, and drug development. We conducted a bibliometric analysis using software tools such as Bibliometrix (version 4.1), VOSviewer (version 1.6.19), and CiteSpace (version 6.3.R1) on the relevant literature from the Web of Science Core Collection (WoSCC). The analysis reveals a significant increase in publications since 2017. Kerry J. Ressler has emerged as the most influential author in the field to date. The United States leads in the number of publications, producing seven times more papers than Canada, the second-ranked country, and demonstrating substantial influence. Harvard University and the Veterans Health Administration are also key institutions in this field. The Journal of Affective Disorders has the highest number of publications and impact in this area. In recent years, keywords related to functional connectivity, risk factors, and algorithm development have gained prominence. The field holds immense research potential, with AI poised to revolutionize PTSD management through early symptom detection, personalized treatment plans, and continuous patient monitoring. However, there are numerous challenges, and fully realizing AI’s potential will require overcoming hurdles in algorithm design, data integration, and societal ethics. To promote more extensive and in-depth future research, it is crucial to prioritize the development of standardized protocols for AI implementation, foster interdisciplinary collaboration—especially between AI and neuroscience—and address public concerns about AI’s role in healthcare to enhance its acceptance and effectiveness.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,007 |
| 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 | 0,000 | 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