Tecnologías basadas en inteligencia artificial para el diagnóstico del síndrome coronario agudo: una revisión sistemática
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
Objetivo: Identificar el desarrollo de las tecnologías basadas en inteligencia artificial que sean capaces de diagnosticar el síndrome coronario agudo (SCA). Materiales y métodos: Se llevó a cabo una búsqueda sistemática en múltiples bases de datos, incluyendo Medline, SCOPUS, IEEE XPLORE y EMBASE, con el propósito de identificar investigaciones relacionadas con la aplicación de herramientas inteligentes como Machine Learning (ML) y Deep Learning (DL) con la capacidad de diagnosticar el SCA. Esta búsqueda se centró en estudios que siguieran la definición proporcionada en la guía práctica clínica de la Sociedad Europea de Cardiología 2021 y que estuvieran disponibles hasta el 2 de agosto del 2021. Se incluyeron investigaciones de tipo cohorte, casos y controles cuyos resultados incidieran directamente en la posibilidad de diagnóstico del SCA. Sin embargo, se excluyeron aquellos estudios donde solo se utilizaron señales ECG. Para evaluar el riesgo del sesgo en los estudios, utilizamos la escala de New Castle – Ottawa. Resultados: Un total de 24 artículos científicos fueron identificados para la revisión sistemática. No se realizó meta – análisis debido a la heterogeneidad clínica de los estudios mientras que el enfoque realizado se basó en tres perspectivas: 1) Tecnología usada, 2) Países de desarrollo del estudio y 3) Generación del algoritmo aplicado en cada estudio. Se halló una mayor frecuencia para estudios realizados por tomografía con un gran desarrollo de algoritmos basados en ML y DL encontrando los mejores resultados para el caso de DL con un 99.5% de precisión. Así mismo, por países, se encontró la predominancia de estudios en China seguido por Estados Unidos cuyas aspiraciones se basan en el liderazgo en el campo de la Inteligencia Artificial. Conclusión: Se encontró una precisión del 99.5% en DL para el diagnóstico de SCA y algunas otras con una precisión por encima del 90% con oportunidades de mejora.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,002 |
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