Prognosis of COVID-19 Using Artificial Intelligence: A Systematic Review and Meta-Analysis
Notice bibliographique
Résumé
Purpose: Artificial Intelligence (AI) techniques have been extensively utilized for diagnosing and prognosing several diseases in recent years. This study identifies, appraises, and synthesizes published studies on the use of AI for the prognosis of COVID-19. Materials and Methods: Electronic search was performed using Medline, Google Scholar, Scopus, Embase, Cochrane, and ProQuest. The systematic approach followed the PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses) guidelines to ensure comprehensive reporting. Studies that examined machine learning or deep learning methods to determine the prognosis of COVID-19 using Computed Tomography (CT) or chest X-Ray (CXR) images were included. Polled sensitivity, specificity, accuracy, Area Under the Curve (AUC), and diagnostic odds ratio were calculated. Results: A total of 36 articles were included; various prognosis-related issues, including disease severity, mechanical ventilation, or admission to the intensive care unit, and mortality, were investigated. Several AI models and architectures were employed, such as the Siamense model, support vector machine, Random Forest, Extreme Gradient Boosting, and convolutional neural networks. The models achieved 71%, 88%, and 67% sensitivity for mortality, severity assessment, and need for ventilation, respectively. The specificities of 69%, 89%, and 89% were reported for the aforementioned variables. Conclusion: Based on the included articles, machine learning and deep learning methods used for COVID-19 patients' prognosis using radiomic features from CT or CXR images can help clinicians manage patients and allocate resources more effectively. These studies also demonstrate that combining patient demographics, clinical data, laboratory tests, and radiomic features improves model performance.
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 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 | 0,002 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,017 | 0,003 |
| Bibliométrie | 0,005 | 0,010 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».