Comprehensive systematic review and meta-analysis: Evaluating artificial intelligence (AI) effectiveness and integration obstacles within anesthesiology
Notice bibliographique
Résumé
Background: Artificial intelligence (AI) is a multidisciplinary field that focuses on developing intelligent computer algorithms to carry out simple to complex tasks traditionally performed using human intelligence. In anesthesia, AI is rapidly becoming a transformative technology. However, its efficacy remains unknown. Therefore, this study aims to analyze the efficacy of AI in anesthesia by studying two main applications of AI: predicting anesthesia-related events and assisting with anesthesia-related procedures. Methods: A systematic search was performed for English-language records published from inception until June 2024 in PubMed, Google Scholar, IEEE Xplore, and Web of Science databases. Studies were included in this meta-analysis if they examined the role of any AI model in predicting hypotension, hypoxemia, and post-operative nausea and vomiting (PONV). Moreover, studies investigating the role of AI in guiding anesthesia-related procedures, such as tracheal intubation and ultrasound-guided nerve blocks, were included. The CMA software and STATA 16.0 were used for statistical analyses, while the Newcastle–Ottawa Scale was used for quality evaluation. Results: Twenty studies meeting the eligibility criteria were included in the analysis. The pooled results indicated that AI demonstrated good discrimination ability in predicting hypotension (area under the receiver operating characteristic curve (AUROC): 0.81), with the subgroup analysis showing that models incorporating machine-learning algorithms outperformed other models (AUROC: 0.93). Similarly, the pooled analysis showed that AI models had a good discriminatory capacity for predicting hypoxemia (AUROC: 0.81). However, AI demonstrated poor discriminatory capability in predicting PONV (AUROC: 0.68). Our analysis also showed that robotically assisted intubations were successful in both mannikins and humans (success rate: 98% and 92%). Similarly, robotically assisted ultrasound-guided blocks were successful in mannikins and humans (success rate: 96% for humans and mannikins). Conclusion: This study suggests that AI is useful for predicting anesthesia-related events and automating procedures such as intubation and ultrasound-guided nerve blocks. However, multiple barriers hindering the integration of AI into anesthesia, such as cost, privacy and security concerns, data quality, “black box”, and ethical issues need to be addressed.
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 | 0,028 | 0,080 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,022 | 0,036 |
| Bibliométrie | 0,010 | 0,010 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».