SYSTEMATIC REVIEW OF AI-POWERED DECISION SUPPORT TOOLS IN OBSTETRIC EMERGENCY CARE
Notice bibliographique
Résumé
Background: Obstetric and gynecological emergencies demand rapid, high-stakes decision-making, where delays or inaccuracies can lead to serious maternal and fetal outcomes. Artificial intelligence (AI)-powered decision support tools are emerging as promising adjuncts to aid clinicians under such critical conditions. Despite increasing interest, the clinical utility, accuracy, and safety of these technologies in emergency women’s health care remain underexplored and unstandardized, warranting a comprehensive synthesis of current evidence. Objective: This systematic review aims to evaluate the effectiveness, safety, and real-time decision-making accuracy of AI-powered decision support tools in the management of gynecological and obstetric emergencies. Methods: A systematic review was conducted in accordance with PRISMA guidelines. Comprehensive searches were performed across PubMed, Cochrane Library, Scopus, and Web of Science from database inception to 2024. Inclusion criteria encompassed randomized controlled trials, feasibility studies, qualitative research, and developmental studies evaluating AI applications in obstetric and gynecological emergencies. Data were extracted using a standardized form and assessed for bias using the Cochrane Risk of Bias tool and Newcastle-Ottawa Scale, depending on study design. Due to heterogeneity, a qualitative synthesis was performed. Results: Eight studies were included, encompassing feasibility, qualitative, and developmental research. AI tools demonstrated high concordance with clinician decisions in simulated obstetric emergencies, improved triage classification, and enhanced workflow efficiency. Clinicians highlighted the importance of transparency, personalization, and ethical considerations in AI adoption. However, most studies were small-scale or simulation-based, limiting generalizability. Conclusion: AI-based decision support systems show encouraging potential in obstetric emergency care by enhancing diagnostic accuracy and clinical efficiency. Nonetheless, the current evidence base is preliminary. Rigorous, real-world validation and ethical integration are essential for safe and effective implementation in clinical practice.
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 | 0,026 | 0,126 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,009 | 0,009 |
| Bibliométrie | 0,013 | 0,013 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 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) | 0,006 | 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 ».