Artificial Intelligence‐Based Delirium Prediction Model for Post‐Cardiac Surgery Patients: A Scoping Review
Notice bibliographique
Résumé
BACKGROUND: Delirium is a common complication following cardiac surgery and significantly affects patient prognosis and quality of life. Recently, the application of artificial intelligence (AI) has gained prominence in predicting and assessing the risk of postoperative delirium, showing considerable potential in clinical settings. OBJECTIVE: This scoping review summarises existing research on AI-based prediction models for post-cardiac surgery delirium and provides insights and recommendations for clinical practice and future research. METHODS: Following the PRISMA-ScR (Preferred Reporting Items for Systematic Reviews and Meta-Analyses extension for Scoping Reviews) guidelines, eight databases were searched: China National Knowledge Infrastructure, Wanfang Database, China Biomedical Literature Database, Virtual Information Platform, PubMed, Web of Science, Medline, and Embase. Studies meeting the inclusion criteria were screened, and data were extracted on surgery type, delirium assessment tools, predictive factors, and AI-based prediction models. The search covered database inception through January 12, 2025. Two researchers independently conducted the literature review and data analysis. RESULTS: Ten studies from China, Canada, and Germany involving 11,702 participants were included. The reported incidence of postoperative delirium ranged from 5.56% to 34%. The most commonly used assessment tools were Confusion Assessment Method for the Intensive Care Unit, Diagnostic and Statistical Manual of Mental Disorders-5, and Intensive Care Delirium Screening Checklist. Key predictive factors included age, cardiopulmonary bypass time, cerebrovascular disease, and pain scores. AI-based prediction models were primarily developed using R (6/10, 60%) and Python (4/10, 40%). Model performance, as measured by the area under the curve, ranged from 0.544 to 0.92. Among these models, Random Forest (RF) was the most effective (5/10, 50%), followed by XGBoost (3/10, 30%) and Artificial Neural Networks (2/10, 20%). CONCLUSION: AI-based models show promise for predicting postoperative delirium in cardiac surgery patients. Future studies should prioritise integrating these models into clinical workflows, conducting rigorous multicenter external validation, and incorporating dynamic, time-varying perioperative variables to enhance generalizability and clinical utility. REPORTING METHOD: This review followed the PRISMA-ScR (Preferred Reporting Items for Systematic Reviews and Meta-Analyses extension for Scoping Reviews) guidelines. PATIENT OR PUBLIC CONTRIBUTION: This study did not include patient or public involvement in its design, conduct, or reporting.
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 | 0,011 | 0,050 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,009 |
| Bibliométrie | 0,012 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».