Artificial intelligence in geriatric medicine: potential and challenges. Systematic review
Notice bibliographique
Résumé
BACKGROUND. The growing global aging population increases the demand for innovative solutions in geriatric medicine to address complex health challenges. AI offers promising tools for enhancing care, but faces unique challenges in this area. OBJECTIVE. To evaluate the potential of AI to enhance diagnosis, monitoring and care for elderly patients in geriatric medicine and to identify key challenges to its implementation. MATERIALS AND METHODS. A systematic review was conducted according to PRISMA guidelines. Literature searches were conducted in PubMed, Scopus and RSCI databases (2020-2025), using keywords related to AI and geriatrics. Studies focused on clinical applications of AI in patients aged 60 years and over were included. After removing duplicates and irrelevant publications from 1,243 records, 50 studies were analyzed. The quality of the studies was assessed using the AMSTAR-2 and the Newcastle-Ottawa scales. RESULTS. AI demonstrates high efficacy in early diagnosis of dementia (up to 90 % accuracy), osteoporosis (89 %), and cardiovascular diseases (91 %), as well as in monitoring falls (92 %) and nutritional status (90 %). Key challenges include ethical concerns (privacy, algorithmic bias), limited technology access (40 % in rural areas), and insufficient staff training (only 30 % of geriatricians are AI-proficient). CONCLUSIONS. AI holds transformative potential for geriatric medicine but requires adaptation to the unique needs of older adults, development of ethical and technical standards, and enhanced training programs for healthcare professionals. This review underscores the need to integrate AI as part of a person-centered care ecosystem.
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 | 0,022 | 0,081 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,008 | 0,006 |
| Bibliométrie | 0,012 | 0,012 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».