The application of artificial intelligence in the acute and sub-acute phases of spinal cord injury- a systematic review
Notice bibliographique
Résumé
STUDY DESIGN: Systematic Review. OBJECTIVE: To describe applications of AI for traumatic SCI management with focus on diagnostics, prognostication, and therapeutic interventions. METHODS: , 2020, and March 18, 2025, dealing with clinical aspects in the acute, post-injury rehabilitative and first year phases of SCI were included. Studies on brain computer interface, robotics and non-neurologic aspects of SCI were excluded. Extracted were country of study, study design, focus of study, total participants, American Spinal Injury Association (ASIA) Impairment Scale (AIS), machine learning (ML) models, inputs, outcomes and performance metrices. RESULTS: A total of 23 studies with 120,931 individuals were identified. Classical Machine Learning Models, Ensemble Learning Models and Deep Learning Models were the most used ML families. Age, AIS, neurologic level of injury, sex, mechanism of injury and motor score were the most common inputs. Predictions of neurologic status, functionality status, Hospital/ICU utilizations, complications, survival, discharge destination and results of image segmentation and patient grouping were the outputs of interest. The performance metrices were satisfactory in most and higher than humans in some studies. CONCLUSION: AI can facilitate personalized approach to diagnosis of SCI, prediction of outcomes like neurological improvement, complications, functionality indicators like walking, selfcare and independence, re-admissions, prolonged length of stays, discharge destination and mortality after injury. It was also useful to suggest specific MAP goals and time of surgical intervention. These functions complement clinical judgement.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».