Results of the Ninth Scientific Workshop of the European Crohn’s and Colitis Organisation (ECCO): Artificial Intelligence in medical management and precision medicine
Notice bibliographique
Résumé
BACKGROUND AND AIMS: Artificial intelligence (AI) is increasingly being applied in various fields of medicine, including inflammatory bowel diseases (IBD). This systematic review, conducted as part of the ECCO 9th Scientific Workshop on AI in IBD, explores AI applications in multiomics precision medicine, large language models (LLMs) for textual tasks, and utilization of wearable and remote care technologies. METHODS: A comprehensive systematic analysis of the literature was undertaken, emphasizing three topics: multiomics predictive models in IBD; natural language processing (NLP) and LLMs for clinical practice, research and patient communication; and the role of remote monitoring and wearable devices. RESULTS: Key areas of promise include the implementation of NLP and LLMs for case identification and differentiation, tracking disease activity, pharmacovigilance, quality assurance, and patient support. Multiomic approaches, integrating genomics, transcriptomics, proteomics, metabolomics, and metagenomics, show potential for developing more accurate diagnostic and risk prediction models and improving treatment response prediction and detection of actionable drug targets for future therapeutics. Wearables and remote monitoring technologies can transform IBD management from episodic assessments to continuous, less biased tracking of patient-reported outcomes and physiological biomarkers. CONCLUSIONS: While AI and multiomics approaches hold substantial promise for advancing IBD management and research, further refinement is necessary to ensure content validity and address safety concerns, thereby allowing integration of AI into clinical workflows and safeguarding of data privacy. Future research should prioritize the integration of diverse omic data, conduct of longitudinal studies, and validation in large and diverse cohorts.
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 | 0,075 | 0,112 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,007 |
| Bibliométrie | 0,008 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,007 | 0,004 |
| Science ouverte | 0,002 | 0,008 |
| Intégrité de la recherche | 0,005 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,019 | 0,004 |
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 ».