这是一篇在知识共享署名许可(https://creativecommons.org/licenses/by/4.0/)下发布的开放获取文章,该许可允许在任何媒介上不受限制地使用、分发和复制,前提是原始作品首次发表在《医学互联网研究杂志》上,并适当引用。必须包括完整的书目信息,到//www.mybigtv.com/上原始出版物的链接,以及版权和许可信息。
对重症监护相关人工智能(AI)研究的兴趣正在迅速增长。然而,在测量和分析全球科学出版物的综合文献计量学研究中,文献仍然缺乏。
本研究的目的是评估重症监护医学中人工智能的全球研究趋势,基于出版物产出、引用、国家之间的合著者以及作者关键词的共现情况。
从Scopus数据库中检索到截至2022年3月共发表的3619篇文档。选择文档类型为文章后,检查标题和摘要是否合格。最后使用VOSviewer进行文献计量学研究,共纳入1198篇论文。计算了出版物、首选期刊、主要研究国家、国际合作和顶级机构的增长率。
2018 - 2022年,论文数量急剧增加,占全部收录论文的72.53%(869/1198)。美国和中国约占总发表量的55.17%(661/1198)。在15所最具生产力的大学中,有9所位于全球前100名。发现临床恶化、监测病情、预测疾病进展、死亡率、预后、分类疾病表型或亚型是危重患者人工智能的研究热点。神经网络、决策支持系统、机器学习和深度学习都是常用的人工智能技术。
本研究重点介绍了人工智能研究的热门领域,旨在改善重症监护病房的医疗保健,全面介绍了人工智能在重症监护病房应用的研究趋势,并为未来研究的潜在合作和前景提供了见解。详细列出了被引用次数最多的30篇文章。为了使基于人工智能的临床研究在常规重症护理实践中具有足够的说服力,需要开展合作研究,以提高人工智能驱动模型的成熟度和鲁棒性。
人工智能(AI)是指模仿人类智能的系统,其特征是具有感知、推理、发现意义、概括、从过去的经验中吸取教训、解决问题或做出决策的能力[
ML是实现人工智能系统的主要技术。ML指的是计算机编程的科学,它使用统计分析技术来创建从数据中学习的算法[
人工智能已应用于分子生物学、生物信息学、医学影像等医学领域,支持人群健康管理,提供量身定制的诊断和治疗,监测患者,指导手术护理,预测健康轨迹[qh]
重症监护室(ICU)是所有医院病房中最适合在不久的将来开始向大数据过渡,并将人工智能应用于研究甚至临床实践的病房。在icu中,密切监测患者以发现与恶化相关的生理变化,这些变化可能需要对治疗计划进行适当的重新评估。护理人员通过记录神经系统状态、输入输出(包括给药)等密切监测ICU患者。床边监视器促进了这一点,并连续传输大量数据[
AI在重症监护中的应用主要涉及脓毒症、脓毒性休克、急性呼吸窘迫综合征(ARDS)等疾病的诊断、疾病进展(临床恶化)的预测、特定疾病表型或内源性的表征等。
文献计量学是一种分析学术文献的可量化信息学技术[
机器学习是人工智能的一个分支,包括两种主要方法:监督学习和无监督学习。每个分支下面显示的是模型开发中使用的算法类型。
尽管人们对重症监护相关的人工智能研究越来越感兴趣,但在衡量和分析全球科学出版物的综合文献计量学研究中,文献仍然缺乏。在本研究中,我们旨在(1)提供AI在icu中应用的研究趋势的整体视图;(2)重点突出icu卫生保健领域人工智能相关研究热点;(3)突出高产作者、主要国家和最高产学术机构的贡献;(4)提供对未来潜在合作和研究方向的洞察[
文献计量分析研究是一种基于学术文献数据库的输出来理解某一领域的全球研究趋势的机制方法。这种方法将文献计量学分析与主要用于讨论特定主题的最新进展、挑战和未来方向的综述区分开来[
由于本研究是对现有已发表研究的回顾性文献计量学分析,因此不需要伦理委员会的许可。
数据挖掘于2022年3月18日进行,使用Scopus数据库。Scopus是公认的最大的同行评议文献摘要和引文数据库,涵盖了广泛的学科[
查询字符串产生了3619个文档。其中,只有文章(2050/3619,56.64%)被纳入(
在筛选了所有文章的标题和摘要后,必要时排除了848篇文章,因为它们没有关注重症医学或没有涉及人工智能技术。最后纳入文献计量学分析1198篇论文。
按文献类型分类的书目记录分布(N=3619)。
文件类型 | 频率,n (%) |
文章 | 2050 (56.64) |
会议论文 | 972 (26.85) |
审查 | 241 (6.65) |
编辑 | 126 (3.48) |
请注意 | 66 (1.82) |
会议审查 | 59 (1.6) |
信 | 57 (1.57) |
本章 | 31 (0.85) |
简短的调查 | 9 (0.21) |
数据纸 | 4 (0.1) |
勘误表 | 4 (0.1) |
我们使用VOSviewer(版本1.6.18;科学和技术研究中心,莱顿大学),一个用于构建和可视化文献计量地图的软件工具,用于文献计量网络可视化。将1198篇文章的引文、书目和作者关键词信息导出到VOSviewer中。在使用VOSviewer创建地图时,将国家、作者、机构或关键词作为感兴趣的对象包括在内。我们计算了出版物、研究关键词和出版模式(国家、机构和期刊)的增长率。文献计量学分析按照VOSviewer用户手册[
对出版年份进行排序,使用Stata 17对每年的出版物数量进行统计。
出版物的增长率按下列复合年增长率公式计算:
增长率=([上一年发表数或第一年发表数]1/(上一年−第一年)−1)× 100 [
我们使用了VOSviewer的引文分析功能,并将分析单位设置为“来源”。在443个来源(期刊)中,有44个(9.9%)发表了5篇以上关于重症医学人工智能的文章。期刊是根据发表文章的数量进行分类的。我们列出了被引用次数,这是衡量已发表论文受关注程度和影响力的重要指标[
分析了科研产出排名前10位的国家、科研产出排名前15位的期刊和科研产出排名前15位的机构的被引趋势。计算每个国家、期刊和机构的出版物或引用的频率和百分比。该信息由Scopus提供,并使用VOSviewer中的引文和合著功能进行分析。在合著分析中,国与国之间的联系强度显示了两个相关国家合著的出版物数量。我们创建了一个辞典文件来合并具有不同名称变体的相同机构。
Google Mymaps [
共分析892篇(74.5%)文章中的2267个关键词的作者共现情况。由于缺乏作者关键词信息,其余306篇(25.5%)文章被排除在外。创建了一个同义词典文件来合并同义词的单个单词和同义短语。例如,
在36年间(1986-2022;
有人认为,人工智能在重症医学领域的浓厚兴趣始于2018年,年增长率为135.3%。从那时起,年度出版物急剧增加,这导致出版物的累积数量迅速增加。2011年至2015年增长率为3.93%,2016年至2020年增长率为52.1%,去年增长率翻了一番,达到120.3%。2018 - 2022年,论文数量急剧增加,占全部收录论文的72.53%(869/1198)。
大多数文章(61.1%,732/1198)是可以免费获取的开放获取文章。如果一篇文章发表在开放获取期刊上,它可能会得到更多的引用。
1986 - 2022年Scopus中重症监护人工智能的年度及累计研究文章数。
我们的研究结果显示,排名前15位的高产期刊由9家不同的出版商拥有(
根据CiteScore 2020报告,共有9种期刊的CiteScore≥5。
在重症监护研究中人工智能最具生产力的15种期刊及其被引用次数最多的文章。
|
TP一个(N=1198), N (%) | TCbn | CiteScore 2020 | 基于引用的排名 | 每篇论文引用次数 | 被引次数最多的文章 | 引用次数,n | 出版商 |
|
42 (3.51) | 983 | 8 | 2 | 23.40 | icu辅助通气自动控制工作系统 | 84 | 爱思唯尔 |
|
40 (3.34) | 1166 | 12.7 | 1 | 29.15 | 用于准确预测ICU脓毒症的可解释机器学习模型 | 249 | 利平科特威廉姆斯和威尔金斯有限公司 |
|
35 (2.92) | 412 | 5.3 | 7 | 11.77 | 使用现成的电子健康记录数据在新生儿重症监护病房进行早期败血症识别的机器学习模型 | 48 | 公共科学图书馆 |
|
33 (2.75) | 315 | 7.1 | 8 | 9.55 | 应用人工神经网络预测室性心动过速1小时 | 56 | 施普林格自然 |
|
26日(2.17) | 241 | 7.7 | 11 | 9.27 | 使用MIMIC-III临床记录进行ICD-9代码分配的深度学习实证评估 | 36 | 爱思唯尔 |
|
26日(2.17) | 470 | 10.1 | 4 | 18.08 | 开发和验证一种新的分子生物标志物诊断测试早期检测败血症 | 96 | 生物科技中心有限公司 |
|
26日(2.17) | 57 | 4.1 | 15 | 2.19 | 基于机器学习的脓毒症术后患者住院死亡率预测 | 14 | 前沿传媒有限公司 |
|
25 (2.09) | 233 | 3.9 | 12 | 9.32 | 创伤性损伤多层次计算机辅助决策系统的比较分析 | 33 | 施普林格自然 |
|
25 (2.09) | 464 | 7.3 | 6 | 18.56 | 脓毒症早期检测的计算方法 | 116 | 爱思唯尔 |
|
25 (2.09) | 300 | 3.7 | 10 | 12.00 | 使用生理模型和决策理论选择合适的呼吸机设置 | 72 | 施普林格自然 |
|
21日(1.75) | 116 | 10.2 | 13 | 5.52 | 无袖带血压测量的多传感器融合方法 | 32 | IEEE |
|
21日(1.75) | 468 | 7.1 | 5 | 22.29 | 重症监护室计算机化抗生素决策支持系统以用户为中心的设计技术 | 61 | 爱思唯尔 |
|
19日(1.59) | 312 | 2.9 | 9 | 16.42 | 用最少的电子健康记录数据预测重症监护病房的败血症:一种机器学习方法 | 203 | 卡塔尔世界杯8强波胆分析JMIR出版有限公司 |
|
19日(1.59) | 522 | 8.1 | 3. | 27.47 | 利用动脉血压波形降低危重心律失常的误报率 | 151 | 学术出版社 |
|
17 (1.42) | 112 | 4.8 | 14 | 6.59 | 利用异质性临床数据预测重症监护并发症 | 25 | IEEE |
一个TP:出版物总数。
b总引用数。
对全球重症监护研究活动中人工智能增长贡献最大的15个国家列于
按数量排名前10位的国家的书目记录分布。
国家 | 基于总产量的排名 | 输出(N=1198), N (%) | 引用次数(N=18,876), N (%) | 基于引用的排名 | 每篇论文引用次数 | 国内生产总值一个排名 |
美国 | 1 | 488 (40.7) | 8678 (46) | 1 | 17.78 | 1 |
中国 | 2 | 173 (14.4) | 1294 (6.9) | 3. | 7.48 | 2 |
联合王国 | 3. | 116 (9.7) | 2765 (14.7) | 2 | 23.84 | 6 |
德国 | 4 | 62 (5.2) | 873 (4.6) | 5 | 14.08 | 4 |
加拿大 | 5 | 60 (5) | 740 (3.9) | 6 | 12.33 | 8 |
意大利 | 6 | 58 (4.8) | 386 (2) | 12 | 6.66 | 9 |
法国 | 7 | 52 (4.3) | 905 (4.8) | 4 | 17.40 | 7 |
西班牙 | 8 | 47 (3.9) | 351 (1.9) | 13 | 7.47 | 15 |
韩国 | 9 | 46 (3.8) | 442 (2.3) | 10 | 9.61 | 12 |
澳大利亚 | 10 | 41 (3.4) | 520 (2.8) | 8 | 12.68 | 13 |
印度 | 11 | 39 (3.3) | 495 (2.6) | 9 | 12.69 | 5 |
荷兰 | 12 | 39 (3.3) | 534 (2.8) | 7 | 13.69 | 19 |
台湾 | 13 | 35 (2.9) | 319 (1.7) | 14 | 9.11 | 21 |
伊朗 | 14 | 29 (2.4) | 171 (0.9) | 15 | 5.90 | 14 |
比利时 | 15 | 24 (2) | 403 (2.1) | 11 | 16.79 | 25 |
一个GDP:国内生产总值。
根据重症监护病房的人工智能出版物绘制的世界前15个最具生产力的国家地图。
我们根据这些机构就重症监护医学中的人工智能发表的文章数量,列出了15家最具生产力的机构(
采用网络可视化模式,基于国家间合作作者分析创建文献计量图。二维码可以在VOSviewer中打开此图。
根据在重症监护医学中发表的人工智能文章数量,排名前15位最具生产力的机构。
排名 | 组织 | TPi一个 | 引用,n | 每篇论文引用次数 | 大学排名 |
1 | 麻省理工学院,剑桥,美国 | 12 | 411 | 34.25 | 5 |
2 | 密歇根大学,安娜堡,美国 | 11 | 77 | 7.00 | 24 |
3. | 贝斯以色列女执事医疗中心,波士顿,美国 | 9 | 596 | 66.22 | - - - - - -b |
4 | 哈佛医学院,波士顿,美国 | 9 | 122 | 13.56 | 2 |
5 | 梅奥诊所,罗切斯特,美国 | 9 | 41 | 4.56 | - - - - - - |
6 | 宾夕法尼亚大学,费城,美国 | 8 | 130 | 16.25 | 13 |
7 | 约翰霍普金斯大学,巴尔的摩,美国 | 7 | 23 | 3.29 | 13 |
8 | 佐治亚理工学院,亚特兰大,美国 | 7 | 347 | 49.57 | 45 |
9 | 美国纽约西奈山伊坎医学院 | 7 | 85 | 12.14 | - - - - - - |
10 | 加州大学旧金山分校,美国旧金山 | 7 | 670 | 95.71 | - - - - - - |
11 | 美国亚特兰大埃默里大学医学院 | 6 | 324 | 54.00 | 82 |
12 | 北京大学,中国北京 | 6 | 115 | 19.17 | 16 |
13 | 匹兹堡大学,美国匹兹堡 | 6 | 139 | 23.17 | - - - - - - |
14 | 库奥皮奥大学医院,芬兰库奥皮奥 | 5 | 87 | 17.40 | - - - - - - |
15 | 芝加哥大学,芝加哥,美国 | 5 | 139 | 27.80 | 10 |
一个TPi:某一学术机构的总出版物。
b不可用。
在记录的2267个作者关键词中,仅出现1次的有1785个(78.73%),出现2次的有230个(10.14%),出现3次的有252个(11.11%)。在使用同义词典文件重新标注同义词和同义短语后,102个(4.49%)关键字达到了在VOSviewer中至少出现5次的阈值(
基于作者关键词共现的文献计量图与网络可视化模式。二维码可以在VOSviewer中打开图形。颜色表示聚类。同一簇中的关键字颜色相同。圆圈的大小随着关键字使用次数的增加而增加。ARDS:急性呼吸窘迫综合征;心电图:心电图;脑电图:脑电图。
基于作者关键词共现的文献计量图,采用叠加可视化模式。颜色表示出现关键字的文档的平均出版年份。ARDS:急性呼吸窘迫综合征;心电图:心电图;脑电图:脑电图。
重症监护人工智能文章中使用频率最高的30个关键词。
关键字 | 出现,n |
机器学习 | 347 |
加护病房 | 172 |
人工智能 | 124 |
急救护理 | 102 |
预测分析 | 97 |
脓毒症 | 86 |
新型冠状病毒肺炎 | 85 |
深度学习 | 84 |
重症监护医学 | 67 |
决策支持系统 | 60 |
神经网络 | 50 |
电子健康记录 | 46 |
死亡率 | 42 |
人工神经网络 | 36 |
机械通风 | 31 |
预测模型 | 29 |
自然语言处理 | 27 |
监控 | 26 |
急性肾损伤 | 25 |
预后 | 21 |
数据挖掘 | 17 |
随机森林 | 17 |
医学信息学 | 16 |
分类 | 15 |
诊断 | 14 |
风险因素 | 14 |
急性呼吸窘迫综合征 | 13 |
心脏骤停 | 13 |
恶化 | 13 |
支持向量机 | 13 |
我们根据ICU的疾病、使用的机器学习技术以及机器学习在研究中的作用,将关键词分为3个不同的类别(
重症监护医学人工智能出版物前作者关键词。
类别 | 频率、n | ||
|
|||
|
脓毒症 | 86 | |
|
新型冠状病毒肺炎 | 85 | |
|
急性肾损伤 | 25 | |
|
急性呼吸窘迫综合征 | 13 | |
|
心脏骤停 | 13 | |
|
|||
|
机器学习 | 347 | |
|
人工智能 | 124 | |
|
深度学习 | 84 | |
|
决策支持系统 | 60 | |
|
神经网络 | 50 | |
|
|||
|
预测 | 97 | |
|
死亡率 | 42 | |
|
监控 | 26 | |
|
预后 | 21 | |
|
分类 | 15 |
在1986年至2022年的1198篇关于重症监护医学人工智能的文章中,被引用次数最多的30篇文章列于
被引用次数最多的30篇重症监护室人工智能相关文章,被引用次数由高到低排列。
排名 | 文章 | 引用,n | CPY一个 | 按CPY排名 |
1 | Matthieu Komorowski, Leo A. Celi等《人工智能临床医生学习重症脓毒症的最佳治疗策略》 |
290 | 73 | 1 |
2 | Shamim Nemati, Andre Holder等《用于准确预测ICU脓毒症的可解释机器学习模型》 |
249 | 62 | 2 |
3. | Tom J. Pollard, Alistair E. W. Johnson等《eICU合作研究数据库,一个免费的危重病研究多中心数据库》 |
211 | 53 | 3. |
4 | Thomas Desautels, Jacob Calvert等人“用最少的电子健康记录数据预测重症监护病房的败血症:一种机器学习方法” |
203 | 34 | 7 |
5 | Brendon P. Scicluna, Lonneke a . van vight等《根据血液基因组内型对脓毒症患者进行分类:一项前瞻性队列研究》 |
164 | 33 | 9 |
6 | Alistair E. W. Johnson, Mohammad M. Ghassemi等《危重病护理中的机器学习和决策支持》 |
162 | 27 | 11 |
7 | Richard Dybowski, Peter Weller等《利用遗传算法合成的人工神经网络预测危重患者预后》 |
160 | 6 | 28 |
8 | Romain Pirracchio, Maya L. Petersen等人发表于《用超级ICU学习算法(SICULA)预测重症监护病房的死亡率:一项基于人群的研究》 |
160 | 23 | 15 |
9 | Li Q., g.d. Clifford,“动态时间翘曲和机器学习用于脉冲信号的信号质量评估” |
156 | 16 | 20. |
10 | Anton Aboukhalil, Larry Nielsen等人《利用动脉血压波形降低危重心律失常的误报率》 |
151 | 11 | 23 |
11 | Feras Hatib, Jian Zhongping等“基于高保真动脉压波形分析的低血压预测机器学习算法” |
147 | 37 | 5 |
12 | U. Rajendra Acharya, Hamido Fujita等,“使用卷积神经网络自动识别可休克性和非休克性危及生命的室性心律失常” |
144 | 36 | 6 |
13 | 134 | 34 | 8 | |
14 | 陈正平,Sanjay Purushotham等《ICU预后预测的可解释深度模型》 |
132 | 22 | 17 |
15 | Abbas K. Abbas, Konrad Heimann等《基于实时红外热成像的新生儿非接触呼吸监测》 |
126 | 11 | 21 |
16 | Jacob S. Calvert, Daniel A. Price等人“早期脓毒症检测的计算方法” |
116 | 19 | 18 |
17 | Gilles Clermont, Derek C. Angus等《预测重症监护病房患者的住院死亡率:人工神经网络与逻辑回归模型的比较》 |
112 | 10 | 24 |
18 | David W. Shimabukuro, Christopher W. Barton等人“基于机器学习的严重脓毒症预测算法对患者生存和住院时间的影响:一项随机临床试验”BMJ |
112 | 22 | 16 |
19 | Jan Claassen, Kevin Doyle等《急性脑损伤无反应患者的脑活动检测》 |
111 | 37 | 4 |
20. | Sanjay Purushotham, chuzheng Meng等《在大型医疗数据集上建立深度学习模型的基准》 |
105 | 26 | 12 |
21 | 杰伊·l·科夫纳。Kyle a . Carey等人《机器学习住院急性肾损伤预测模型的开发》 |
105 | 26 | 13 |
22 | Alexander Meyer, Dina Zverinski等人,“用于实时预测重症监护并发症的机器学习:回顾性研究” |
101 | 25 | 14 |
23 | Michel Dojat, Laurent Brochard等《基于知识的重症监护病房患者辅助通气系统》 |
99 | 3. | 30. |
24 | Nicos Maglaveras, Telemachos Stamkopoulos等人“用于实时缺血发作检测的自适应反向传播神经网络:使用欧洲ST-T数据库的开发和性能分析” |
96 | 4 | 29 |
25 | Allison Sutherland, Mervyn Thomas等人《一种用于脓毒症早期检测的新型分子生物标志物诊断测试的开发和验证》 |
96 | 9 | 25 |
26 | Hye Jin Kam, Ha Young Kim“深度神经网络早期检测败血症的学习表征” |
96 | 19 | 19 |
27 | Michelle M. Clark, Amber Hildreth等,《基于快速全基因组测序和自动表型分析的重症儿童遗传病诊断》 |
95 | 32 | 10 |
28 | Subramani Mani, Asli Ozdas等人“使用机器学习早期检测晚发性新生儿败血症的医疗决策支持” |
89 | 11 | 22 |
29 | K. Ashwin Kumar, Yashwardhan Singh等《基于案例推理和基于规则推理的ICU独立领域临床决策支持混合方法》 |
86 | 7 | 27 |
30. | 李乔,Gari D. Clifford,《重症监护病房信号质量和数据融合减少误报》 |
85 | 9 | 26 |
一个CPY:年引用数。
我们的研究采用文献计量学方法,通过考察出版物产出、研究兴趣增长、首选期刊、主要国家、国际合作、顶级机构、作者关键词和引文分析,分析了重症医学研究中的人工智能。
自1986年最早的出版物出版以来,关于重症医学人工智能的出版物在30年内缓慢增长。转折点出现在2018年,当时人们对重症监护医学中人工智能的兴趣显著增长。这比2012年开始在全科医学领域对人工智能的兴趣的快速增长落后了6年[
在排名前15位的高产期刊中,有9种(60%)的CiteScore得分≥5,这表明重症医学相关的人工智能研究受到重症医学和医学信息学领域顶级期刊的青睐。这些包括
在排名前15位的生产性机构中,有9所进入了排名前100位的最佳大学,这表明人工智能在重症医学领域受到了全球顶尖大学的关注。作者可以考虑与这些机构进行联合研究或申请他们的访问学者或教育项目。
在检查各国出版物的分布情况时,高收入国家是重症监护医学相关人工智能研究的主导力量。生产率最高的10个国家均位于世界国内生产总值(gdp)前25名之列,这表明这些国家的经济实力会影响其出版物的生产率。这一结果与许多其他医学学科的文献计量学研究结果一致[
引用次数低于重症医学其他研究热点[
合作作者分析显示,美国、英国、意大利和中国是合作最多的国家,合作作者超过90人。研究伙伴的多样性、外国研究生或访问学者的高比例以及充足的研究经费都是促进国际合作的因素。为了确保国际合作的可持续性,灵活和稳定的研究政策也至关重要[
根据确定类别中的作者关键词,重症监护医学相关人工智能研究涵盖的顶级疾病领域是败血症、COVID-19、急性肾损伤、ARDS和心脏骤停。这些最常见的ICU条件已成为人工智能算法的热门目标。
人工智能的顶级功能包括预测临床恶化或疾病演变或死亡、监测、疾病预后、疾病表型或亚型分类。文献报道了其他重要功能,如疾病识别和指导决策(强化学习)[
我们的研究综述了重症医学相关人工智能研究的研究趋势和热点,突出了最具生产力的国家和学术机构,以促进潜在的合作,并为未来的研究提供了方向。然而,这项文献计量学研究有一些局限性。
首先,尽管我们包含了最广泛使用的人工智能技术,并努力在搜索关键字中明确与人工智能相关的术语(例如,
其次,我们的研究只使用了Scopus数据库,这是最大的摘要和引文数据库,我们认为应该足以进行我们的分析。使用多种数据源(如Web of Sciences、PubMed和Google Scholar)的文献计量学分析将更加全面。例如,Web of Science有一个在Scopus中没有的名为“热门论文”的功能,它会自动显示该领域最受欢迎的文章[
最后,我们没有纳入以会议论文、评论、社论、笔记、信件、书籍章节、简短调查或数据论文形式发表的论文,因为担心这些出版物的临床准备程度较低。因此,我们可能会错过以文章以外的形式发表的相关研究。由于人工智能技术是一个前沿和快速发展的研究领域,发表在会议记录和信件中的论文可能已经回顾了该领域的最新进展。
未来的文献计量分析可以在研究关键词中使用更具体的人工智能技术术语;使用其他数据库,如Web of Sciences、PubMed和Google Scholar;并在文章类型中包括会议论文,以探索更多潜在的论文。
我们的研究基于从Scopus数据库检索的1198篇出版物,概述了人工智能在重症监护医学中的研究趋势。在过去的5年里,出版物增长迅速,预计还会进一步增长。我们审查了拥有大量出版物和稳固的国际合作的国家和学术机构(如美国、中国和英国)。这为其他国家,特别是缺乏人工智能技术但对卫生保健资源需求不断增加的低收入和中等收入国家提供了潜在的合作机会。
我们讨论了目前正在积极探索使用人工智能技术的重症监护中的几种情况,如败血症、COVID-19、急性肾损伤、ARDS和心脏骤停。危重患者AI研究热点包括临床恶化检测、监测、疾病演变、死亡率预测、疾病预后预测、疾病表型或亚型分类等。在重症监护研究中应用最广泛的人工智能技术是机器学习、深度学习、决策支持系统和神经网络。详细列出了1986 ~ 2022年间被引用次数最多的30篇文章。
在重症监护和人工智能研究中,人工智能研究是一个新兴的热点,在重症监护医学的各个领域都有潜在的应用。然而,人工智能解决方案的开发和实施仍然面临许多挑战。由于缺乏外部验证过程、前瞻性评估和明确的方案来检查人工智能解决方案的可重复性,人工智能研究在临床环境中的应用受到了限制。为了使基于人工智能的临床研究在常规重症护理实践中具有足够的说服力,需要开展合作研究,以提高人工智能驱动模型的成熟度和鲁棒性[
人工智能
急性呼吸窘迫综合征
加护病房
机器学习
没有宣布。