Artificial Intelligence in cardiopulmonary resuscitation training – A scoping review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Objectives: This scoping review aimed to identify Artificial Intelligence methods used in cardiopulmonary resuscitation (CPR) training. Methods: Members of the writing group 'Education for Resuscitation' of the European Resuscitation Council 2025 guidelines used the PICOST format for this scoping review, which included only published randomized and non-randomized studies. Medline, Embase, Cochrane, Education Resources Information Center, Web of Science, and PubMed were searched from inception to July 2025. Title and abstract screening, full-text review, and data extraction were performed by two researchers in pairs. PRISMA reporting standards were followed. The review was registered at PROSPERO. Because the evidence was insufficient for a systematic review, we changed our initial plan and performed a scoping review. Results: The search identified 6977 citations. After removing 2521 duplicates, reviewing titles and abstracts yielded 43 articles for full-text review. Of these, 15 studies were included in the final analysis. Our findings reveal that Artificial Intelligence is being explored across key areas of CPR training, including its accuracy in detecting CPR quality parameters, providing real-time feedback, creating personalized training experiences, detecting and analyzing dialog segments during and after simulation, generating medical teaching illustrations, its capacity for interactive simulations, and answering laypersons' medical questions. Conclusion: Artificial Intelligence shows potential for transforming CPR training via enhancing real-time feedback, enabling personalized learning, improving dialog analysis, facilitating content creation, and serving as an information source. The current evidence is dominated by proof-of-concept studies. Future research needs to establish the efficacy of Artificial Intelligence-supported CPR training compared to traditional methods.
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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 découle