MétaCan
Menu
← Retour à la cohorte
Enregistrement W1627215439 · doi:10.1212/wnl.82.10_supplement.s5.001

The REliability of MObile TEchnologies for Acute Stroke Neuroimaging Data Interpretation: The REMOTE Study (S5.001)

2014· article· en· W1627215439 sur OpenAlexaboutno aff
Clotilde Balucani, Sundeep Mangla, Adrian Marchidann, Michael Szarek, Wissa Usama, Yitzchok S Lederman, Charles Ramkishun, Lin Wang, Ethan S. Brandler, Pia Chatterjee, Susan Law, Craig Linden, Gautam Mirchandani, Diana Rojas-Soto, Daniel M. Rosenbaum, Hyman Shwarzberg, Richard Sinert, Mark Silverberg, Helen Valsamis, Volodymyr Vulkanov, Shahriar Zehtabchi, David Aharonoff, James J. Gugger, Mohit Sharma, Andrew Truong, Steven R. Levine

Notice bibliographique

RevueNeurology · 2014
Typearticle
Langueen
DomaineMedicine
ThématiqueArtificial Intelligence in Healthcare and Education
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésChatterjeeInterpretation (philosophy)NeuroimagingReliability (semiconductor)Art historyAcute strokeMedicinePhilosophyPsychologyArtNeuroscienceArtificial intelligenceComputer scienceInternal medicinePhysics

Résumé

récupéré en direct d'OpenAlex

OBJECTIVE: To assess agreement in interpreting acute stroke head CT scan among readers from different specialties on mobile devices (iPad, iPhone), and on a standard radiology Picture Archiving and Communication System (PACs) workstation. BACKGROUND: Advances in technology allow physicians access to radiological images remotely, although the diagnostic performance of this approach for acute stroke head CT scan interpretation among different specialties is unknown. DESIGN/METHODS: 20 selected acute stroke head CTs were independently interpreted, in an intent-to-diagnose manner, by 16 readers from different specialties - neurologists, emergency medicine physicians and radiologists - on three modalities, iPad and iPhone [using ResolutionMD software (ResMD®, Calgary Scientific)] and PACs workstation. CT findings included: normal CT; any acute ischemic sign; any intracerebral hemorrhage (ICH); and any middle cerebral artery (MCA) hyperdense sign. Kappa (ĸ) statistics were used to assess the proportion of agreement beyond chance. RESULTS: Agreement for normal CT across all readers was best on the iPad (ĸ=0.29 vs. 0.19 for both iPhone and PACS); highest for neurologists (ĸ=0.42) and radiologists (ĸ=0.42) compared to emergency medicine physicians (ĸ=0.15). For any acute ischemic sign, the overall agreement was fair (PACs ĸ=0.38; iPhone ĸ=0.26; iPad ĸ=0.25). The overall agreement for presence or absence of ICH was fair (ĸ’s 0.34-0.40). Radiology reached excellent agreement in all three modalities (k’s 0.65-1.00) compared to neurologists (k’s 0.33-0.51). Overall agreement for the presence of hyperdense MCA sign was fair (k’s 0.33-.38), reaching moderate to good agreement for radiologists, which were consistently better than for neurologists (k’s 0.30-0.32). CONCLUSIONS: Among readers with different expertise, there is only fair agreement on identifying any head CT acute ischemic sign, ICH, and hyperdense MCA, independently from the modality used. However, among radiologists, good to excellent agreement in all modalities support that their remote head CT scan interpretation, using mobile devices, may have the potential to approach traditional PACs readings.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,013
score de la tête « metaresearch » (Gemma)0,042
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,013
Score d'incertitude au seuil0,070

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0130,042
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,002
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,107
Tête enseignante GPT0,442
Écart entre enseignants0,335 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNeurology→Même sujetArtificial Intelligence in Healthcare and Education→Travaux en français237 207→