人工智能在高动力运动障碍的诊断和定量表型:一个系统的审查
Joaquin A Vizcarra1,2,3, Sushuma Yarlagadda4, Kevin Xie3,5
1Department of Neurology, Perelman School of Medicine, University of Pennsylvania, Philadelphia, PA 19104, USA.
Journal of clinical medicine
|December 17, 2024
概括
人工智能 (AI) 在使用多式数据诊断和表型化高动力运动障碍方面表现有前途. 需要进一步的研究指南来规范人工智能应用并提高临床相关性.
科学领域:
- 神经学 神经学
- 生物医学工程 生物医学工程
- 数据科学数据科学数据科学
背景情况:
- 高动力运动障碍的特点是过度,非自愿的运动.
- 人工智能 (AI) 能够对多式联运运动数据和图像进行大规模分析.
- 人工智能集成为理解和诊断这些复杂的神经疾病提供了新的途径.
研究的目的:
- 系统地审查和描述AI在诊断高动力运动障碍方面的表现.
- 评估AI在量化表型这些条件的有效性.
- 在这个领域内识别AI应用中的趋势和挑战.
主要方法:
- 在PubMed和Embase数据库的系统文献搜索.
- 使用半自动文章选管道进行研究选择.
- 包括55项研究,共有11,946名受试者.
主要成果:
- 机器学习 (35项研究) 和深度学习 (16项研究) 是主要的AI方法.
- 在疾病诊断方面,AI的诊断准确度从56%到100%不等.
- 量化表型化的相关系数在0.54到0.99.9之间.
- 来自加速度计和IMU的动态数据是最常用的数据集.
结论:
- 人工智能显示出诊断和表型化高动力运动障碍的巨大潜力.
- 对于标准化的AI研究指南来减少报告不一致性是非常必要的.
- 提高人工智能工具的临床解释性和外部验证对于广泛采用至关重要.
