A scoping review of artificial intelligence in acute care surgerypromise, pitfalls, and a path forward
Notice bibliographique
Résumé
BACKGROUND: Acute care surgery (ACS) faces unique challenges due to time-sensitive decisions, high diagnostic variability, and complex patient data. Artificial Intelligence (AI) offers potential solutions, yet the breadth, focus, safety, and translational readiness of current AI applications in ACS remain unclear. METHODS: A scoping review was conducted in PubMed, Scopus, and IEEE Xplore databases for peer-reviewed articles published 2015-2025. Data extraction included model architecture, data source, temporal and functional classifications, performance metrics, external validation, explainability, and risk of bias among others. Descriptive statistics and thematic synthesis were performed. RESULTS: Forty-nine studies describing 341 AI models were included. Most models (69.5%) originated from North America and primarily targeted preoperative prognostic tasks (76.5%). Large-scale registries (46.6%) and single-center studies (33.4%) were the primary data sources, and structured electronic health record data were predominantly used (91.5%), with minimal multimodal data integration. All models underwent internal validation, whereas external validation (20.2%), fairness assessments (3.2%), regulatory approval (0.2%), and adherence to standard reporting guidelines (34.3%) were limited. Model performance varied, with mean±SD (range): sensitivity 71.3±24.2% (10-100%), specificity 81.5±18.7% (5-100%), and AUROC 0.83± 0.11 (0.45-0.99) across studies. CONCLUSION: While AI holds promise for enhancing ACS, current applications are narrowly focused on pre-operative risk prediction using limited data modalities. Future efforts must prioritize prospective validation, real-time dynamic predictions, clinician-centered design, and multimodal data integration to realize AI's potential for improving ACS patient outcomes in time-sensitive, high-acuity surgical settings.
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 | 0,045 | 0,152 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,006 | 0,006 |
| Bibliométrie | 0,039 | 0,035 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,008 | 0,007 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».