The application of explainable artificial intelligence in the prediction, diagnoses, treatment, and management of chronic diseases: A systematic review
Notice bibliographique
Résumé
Study objectives: This systematic review analyzes the applications of explainable artificial intelligence (XAI) algorithms in chronic disease care, focusing on prediction, diagnosis, treatment, and management. The study examines prevalent XAI approaches across different chronic conditions and evaluates research gaps. Methods: The review followed Preferred Reporting Items for Systematic Review and Meta-analysis 2020 guidelines, analyzing relevant articles from 6 databases to identify and evaluate XAI implementations in chronic disease care. A protocol for this systematic review was not registered anywhere prior to publication. Results: Three primary XAI techniques emerged as dominant: SHapley Additive exPlanations (SHAP) (46.5%), Local Interpretable Model-Agnostic Explanations (25.8%), and Gradient-weighted Class Activation Mapping (Grad-CAM) (12.0%). Disease prediction dominated the applications (86.2%), with SHAP being preferred for structured clinical data and Grad-CAM showing strength in medical imaging. Implementation varied significantly across different chronic conditions, with standardized diagnostic criteria and structured data receiving more attention. Discussion: The analysis revealed an imbalance in healthcare applications, with sophisticated prediction models but limited treatment planning and disease management implementations. Key challenges included insufficient handling of complex multimodal data types and limited data volume. The need for extensive clinical validation in real-world settings was identified as crucial for establishing practical utility. Conclusion: While XAI shows promise in chronic disease healthcare, advancement requires expanding beyond prediction into treatment and management domains, developing robust approaches for complex medical data, and implementing larger-scale studies. Success depends on collaboration between AI researchers, healthcare professionals, legal experts, and policymakers, alongside clear regulatory guidelines and governance frameworks balancing innovation with patient privacy.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 |
| 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 ».