A living scoping review and online repository of artificial intelligence models in pediatric urology: Results from the AI-PEDURO collaborative
Notice bibliographique
Résumé
INTRODUCTION: Artificial intelligence (AI) is increasingly being applied across pediatric urology. We provide a living scoping review and online repository developed by the AI in PEDiatric UROlogy (AI-PEDURO) collaborative that summarizes the current and emerging evidence on the AI models developed in pediatric urology. MATERIAL AND METHODS: The protocol was published a priori, and Preferred Reporting Items for Systematic Review and Meta-analysis Scoping Review (PRISMA-ScR) guidelines were followed. We conducted a comprehensive search of four electronic databases and reviewed relevant data sources from inception until June 2024 to identify studies that have implemented AI for prediction, classification, or risk stratification for pediatric urology conditions. Model quality was assessed by the APPRAISE-AI tool. RESULTS: Overall, 59 studies were included in this review from 1557 unique records. Of the 59 published studies, 44 studies (75 %) were published after 2019, with hydronephrosis and vesicoureteral reflux/urinary tract infection as the most common topics (17 studies, 28 % each). Studies originated from USA (22 studies, 37 %), Canada (10 studies, 17 %), China (8 studies, 14 %), and Turkey (7 studies, 12 %). Neural network (35 studies, 59 %), support-vector-machine (21 studies, 36 %), and tree-based models (19 studies, 32 %) were the most used machine learning algorithms, with 14 studies (24 %) providing useable repositories or applications. APPRAISE-AI assessed 12 studies (20 %) of studies as low quality, 39 studies (66 %) as moderate quality, and 8 studies (14 %) as high quality, with specific improvements noted in model robustness and reporting standards over time (p = 0.03). Findings were synthesized into an online repository (www.aipeduro.com). DISCUSSION: There is an increasing pace of AI model development in pediatric urology. Model topics are broad, algorithm choice is diverse, and the overall quality of models are improving over time. While there is still a lack of clinical translation of the AI models in pediatric urology, the usage of online repositories and reporting frameworks can facilitate sharing, improvement, and clinical implementation of future models. CONCLUSIONS: This living scoping review and online repository will highlight the current landscape of AI models in pediatric urology and facilitate their clinical translation and inform future research initiatives. From this work, we provide a summary of recommendations based on the current literature for future studies.
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 | 0,088 | 0,264 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,009 | 0,011 |
| Bibliométrie | 0,064 | 0,052 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,008 | 0,008 |
| Science ouverte | 0,006 | 0,011 |
| Intégrité de la recherche | 0,005 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,045 | 0,009 |
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 ».