Digital pathology access and usage in the UK: results from a national survey on behalf of the National Cancer Research Institute’s CM-Path initiative
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
AIM: To canvass the UK pathology community to ascertain current levels of digital pathology usage in clinical and academic histopathology departments, and prevalent attitudes to digital pathology. METHODS: A 15-item survey was circulated to National Health Service and academic pathology departments across the UK using the SurveyMonkey online survey tool. Responses were sought at a departmental or institutional level. Where possible, departmental heads were approached and asked to complete the survey, or forward it to the most relevant individual in their department. Data were collected over a 6-month period from February to July 2017. RESULTS: 41 institutes from across the UK responded to the survey. 60% (23/39) of institutions had access to a digital pathology scanner, and 60% (24/40) had access to a digital pathology workstation. The most popular applications of digital pathology in current use were undergraduate and postgraduate teaching, research and quality assurance. Investigating the deployment of digital pathology in their department was identified as a high or highest priority by 58.5% of institutions, with improvements in efficiency, turnaround times, reporting times and collaboration in their institution anticipated by the respondents. Access to funding for initial hardware, software and staff outlay, pathologist training and guidance from the Royal College of Pathologists were identified as factors that could enable respondent institutions to increase their digital pathology usage. CONCLUSION: Interest in digital pathology adoption in the UK is high, with usage likely to increase in the coming years. In light of this, pathologists are seeking more guidance on safe usage.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,014 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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