Large language models and their current use in perioperative medicine: a scoping review protocol
Notice bibliographique
Résumé
OBJECTIVE: This review aims to map existing evidence on the applications of large language models (LLMs) in perioperative care, including the types of technologies employed, the clinical tasks they support, and the evidence gaps that may influence their future adoption. INTRODUCTION: The perioperative period-encompassing care from surgical planning through postoperative recovery-is complex and time-sensitive, requiring rapid, accurate, and context-specific decision-making to optimize patient outcomes. LLMs offer new opportunities to streamline workflows, enhance clinical decision support, and personalize patient education. However, their implementation also raises concerns, including risks of error, ethical challenges, and biases inherent in training data. A systematic overview of current applications is needed to guide safe and effective integration of LLMs into perioperative care. ELIGIBILITY CRITERIA: This review will include studies of any design, including randomized and non-randomized trials, case reports, and letters presenting primary data on the use of LLMs in perioperative contexts. Eligible settings span the perioperative continuum, from preoperative assessment and surgical planning to intraoperative support, discharge, and recovery. METHODS: This review will adhere to the JBI methodology for scoping reviews. A peer-reviewed search strategy will be used in the databases MEDLINE (Ovid), Embase (Ovid), EBM Reviews (Ovid), and Scopus. Two reviewers will independently identify eligible studies at title and abstract stage and then screen for full texts. Information on study details will be charted in duplicate onto standardized data collection forms. Results will be presented using descriptive summaries, frequency tables, and visual plots that highlight the extent of evidence and remaining gaps. REVIEW REGISTRATION: OSF https://osf.io/a3tkw/.
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 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».