Machine learning innovations in CPR: a comprehensive survey on enhanced resuscitation techniques
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 survey paper explores the transformative role of Machine Learning (ML) and Artificial Intelligence (AI) in Cardiopulmonary Resuscitation (CPR), marking a paradigm shift from conventional, manually driven resuscitation practices to intelligent, data-driven interventions. It examines the evolution of CPR through the lens of predictive modeling, AI-enhanced devices, and real-time decision-making tools that collectively aim to improve resuscitation outcomes and survival rates. Unlike prior surveys that either focus solely on traditional CPR methods or offer general insights into ML applications in healthcare, this work provides a novel interdisciplinary synthesis tailored specifically to the domain of CPR. It presents a comprehensive taxonomy that classifies ML techniques into four key CPR-related tasks: rhythm analysis, outcome prediction, non-invasive blood pressure and chest compression modeling, and real-time detection of pulse and Return of Spontaneous Circulation (ROSC). The paper critically evaluates emerging ML approaches-including Reinforcement Learning (RL) and transformer-based models-while also addressing real-world implementation barriers such as model interpretability, data limitations, and deployment in high-stakes clinical settings. Furthermore, it highlights the role of eXplainable AI (XAI) in fostering clinical trust and adoption. By bridging the gap between resuscitation science and advanced ML techniques, this survey establishes a structured foundation for future research and practical innovation in ML-enhanced CPR. It offers clear insights, identifies unexplored opportunities, and sets a forward-looking research agenda identifying emerging trends and practical implementation challenges aiming to improve both the reliability and effectiveness of CPR in real-world emergencies.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 | 0,000 |
| 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