P.177 Artificial intelligence-based outcome prediction for moderate to severe traumatic brain injury: a systematic review and methodological appraisal
Notice bibliographique
Résumé
Background: Artificial intelligence (AI) holds promise to predict outcomes for patients sustaining moderate to severe traumatic brain injury (msTBI). This systematic review sought to identify studies utilizing AI-based methods to predict mortality and functional outcomes after msTBI, where prognostic uncertainty is highest. Methods: The APPRAISE-AI quantitative evidence appraisal tool was used to evaluate methodological quality of included studies by determining overall scores and domain-specific scores. We constructed a multivariable linear regression model using study sample size, country of data collection, publication year and journal impact factor to quantify associations with overall APPRAISE-AI scores. Results: We identified 38 studies comprising 591,234 patients with msTBI. Median APPRAISE-AI score was 45.5 (/100 points), corresponding to moderate study quality. There were 13 low-quality studies (34%) and only 5 high-quality studies (13%). Weakest domains were methodological conduct, robustness of results and reproducibility. Multivariable linear regression highlighted that higher journal impact factor, larger sample size, more recent publication year and use of data that were collected in a high-income country were associated with higher APPRAISE-AI overall scores. Conclusions: We identified several study weaknesses of existing AI-based prediction models for msTBI; this work highlights methodological domains that require quality improvement to ultimately ensure safety and effiicacy of clinical AI models.
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 | 0,049 | 0,196 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,010 |
| Bibliométrie | 0,013 | 0,014 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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 ».