人工智能和机器学习在血栓形成和血液静止中:对临床和实验室应用,挑战和未来方向的范围审查
Mohammad A Altememi1,2, Emmanuel J Favaloro1,3, Md Zahid Islam4
1Faculty of Science and Health, School of Dentistry and Medical Science, Charles Sturt University, Wagga Wagga, NSW, Australia.
人工智能 (AI) 和机器学习 (ML) 在改善血栓形成和血液静止诊断方面表现有前途. 然而,数据限制和跨学科差距等挑战阻碍了这些AI应用的广泛采用.
科学领域:
- 医疗信息学 医疗信息学
- 生物技术是生物技术.
- 计算生物学 计算生物学
背景情况:
- 人工智能 (AI) 和机器学习 (ML) 越来越多地被探索,以提高临床和实验室环境中的诊断能力.
- 血栓形成和血液静止 (T&H) 的领域为AI/ML整合提供了众多机会,以改善患者的治疗结果.
- 需要一个系统的概述来绘制AI/ML在T&H诊断中的当前应用和挑战.
研究的目的:
- 系统地审查和绘制AI和ML在血栓形成和血液静止的诊断中的应用.
- 确定AI/ML在T&H的主要临床和实验室用途.
- 突出AI/ML在T&H采用的限制和障碍.
主要方法:
- 根据PRISMA-ScR指南进行了范围审查.
- 搜索了主要数据库 (MEDLINE,EMBASE,科学网,Scopus) 在2020年至2025年间发表的研究.
- 分析了107项专注于AI/ML在T&H诊断中的应用的原始研究.
主要成果:
- 临床AI/ML应用侧重于静脉血栓栓塞 (VTE),肺栓塞 (PE),深静脉血栓塞 (DVT) 和抗凝剂管理的预测建模.
- 实验室应用包括自动化质量控制,凝块检测和试验解释.
- 发现的关键局限性是依赖回顾性数据,样本规模小,缺乏外部验证,以及解释性问题.
结论:
- 人工智能/多发性肌痛具有显著的潜力,可以提高T&H的诊断准确性和患者管理.
- 采用障碍包括数据碎片化,监管障碍,以及需要更好的领域专家和人工智能专家之间的合作.
- 未来的研究应该专注于大规模验证,可解释模型和综合临床工作流程.
更多相关视频
06:16Author Spotlight: Advancing Thrombolytic Testing by Integrating Flow Dynamics in In Vitro Models
Published on: April 19, 2024
09:38A Microfluidic Flow Chamber Model for Platelet Transfusion and Hemostasis Measures Platelet Deposition and Fibrin Formation in Real-time
Published on: February 14, 2017
相关概念视频
Anticoagulant Drugs: Low-Molecular-Weight Heparins
Venous Thrombosis III: Interprofessional Care
Issues And Trends In Healthcare Delivery System
Cost Containment
Payment for healthcare services has historically promoted adoption of costly and often unnecessary or inefficient...
Anticoagulant Drugs: Vitamin K Antagonists and Direct Oral Anticoagulants
Warfarin, a prominent vitamin K antagonist family member, exerts its effect by inhibiting the enzyme VKORC1 (vitamin K epoxide reductase complex 1). By hindering this enzyme, warfarin...
Disorders of Hemostasis
Thromboembolic Disorders
Two factors primarily cause thromboembolic conditions.
Clot Retraction and Fibrinolysis
