J Med Internet Res:机器学习、大语言模型和多模态人工智能诊断儿童罕见疾病
一项遵循乔安娜布里格斯研究所方法和PRISMA-ScR的范围综述系统映射了2015年1月1日至2026年6月1日期间用于儿童罕见病诊断的人工智能应用。研究检索了PubMed、Scopus、Web of Science等数据库及预印本平台,采用人群-概念-情境框架纳入0至18岁疑似或确诊罕见病患儿相关研究,重点分析了电子健康记录、影像、面部照片、组学和文本等数据模态。
14分钟前 熊佳仪 MedSci原创 发表于上海
儿童罕见病AI诊断研究快速增长,但证据成熟度未同步提升,多数研究仅证明技术可行性而非可泛化临床获益。
深度解析医学证据,DeepEvidence为你支撑决策 儿童罕见病单病种患病人数少但总体负担重且多具遗传起源,患儿常经历漫长诊断历程,反复检查、延误治疗和遗传咨询滞后给家庭带来心理经济压力。表型重叠、年龄依赖表现和专科资源不均使诊断困难。经典机器学习、深度学习、大语言模型和多模态AI可整合电子健康记录、影像、面部照片、组学和文本,用于筛查、分类、鉴别诊断、表型匹配和变异优先级排序,但既往综述未系统覆盖儿童罕见病全部技术。本研究开展范围综述,映射诊断应用、数据模态、验证策略和证据成熟度。 方法上,研究遵循乔安娜布里格斯研究所范围综述方法和PRISMA-ScR,并在PROSPERO注册。检索PubMed、Scopus、Web of Science核心合集、Embase、CNKI、万方和Cochrane图书馆,时间2015年1月1日至2026年6月1日,最终检索于2026年6月26日,同时检索medRxiv、arXiv并手工检索参考文献。纳入采用人群-概念-情境框架,人群为0至18岁疑似或确诊罕见病患儿或儿科相关罕见病诊断情境,概念为诊断相关AI模型,情境不限。排除无法确定儿科相关性、目标疾
小提示:本篇资讯需要登录阅读,点击跳转登录
版权声明:
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有。非经授权,任何媒体、网站或个人不得转载,授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章,或“梅斯号”自媒体发布的文章,仅系出于传递更多信息之目的,本站仅负责审核内容合规,其内容不代表本站立场,本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
在此留言
来源:梅斯医学·临床资讯 · news.medsci.cn
