在对压力伤害预防的系统文献审查中使用可解释的人工智能:学到的教训

科学领域:

• 医疗保健信息学 医疗保健信息学
• 人工智能在医学中的应用
• 临床研究方法 临床研究方法

背景情况:

• 人工智能 (AI) 在医疗保健中越来越多地用于支持临床决策和文献搜索.
• 系统性文献审查 (SLR) 对于基于证据的实践至关重要,但耗时.
• 人工智能有可能简化SLR过程.

研究的目的:

• 描述开发人工智能生成的单反相机的方法.
• 确定由内容和人工智能专家组成的研究小组所学到的经验教训.
• 评估人工智能生成的SLR在压力伤害预防方面的准确性和质量.

主要方法:

• 使用专有可解释AI (XAI) 平台,使用生成歧视算法和强化学习.
• 内容专家为研究问题定义了搜索参数和排除标准:"在住院患者中预防压力损伤的最佳做法是什么?"
• XAI选了1414个记录,遵循系统审查和元分析 (PRISMA) 2020指南的首选报告项目,随后进行专家审查.

主要成果:

• 人工智能生成的SLR识别了110项研究,其中33项在专家审查后重新纳入.
• 人工智能生成的论文表现出引用错误,误解和机械叙事质量与事实上的不准确性.
• 内容的专家审查对于完善搜索术语,解释AI结果,并确保临床有效性至关重要.

结论:

• 内容专家对于精确的搜索术语选择和结果解释在人工智能辅助的SLR中是不可或缺的.
• 内容和人工智能专家之间的合作对于优化研究中的人工智能应用至关重要.
• 对人工智能生成的SLR进行严格的人类审查对于保证证据准确性和临床适用性至关重要.