Biomedical Scent Detection Dogs: Would They Pass as a Health Technology?
Notice bibliographique
Résumé
Biomedical scent detection dogs identify the scent profiles of diseases, such as cancer, diabetes or pathogenic micro-organisms. What the field of biomedical scent detection has been lacking, however, is the assessment of the method from the point of view of a health technology. All health technologies undergo a thorough evaluation of safety, clinical effectiveness and costs, as well as ethical, social, organizational and legal evaluations in some cases. Passing these regulatory controls is a pre-requisite before a technology is approved for use in decision-making about patient outcomes. Biomedical scent detection has a lot of attractive qualities, such as the sensitivity and specificity of the dogs’ noses, safety and relative cost-effectiveness. But the method also has various challenges, in particular regarding its clinical effectiveness. The most pertinent issues to address before the dogs would pass as a health technology are standardization the training techniques, both intra- and inter-dog reproducibility, and generalization of the detection task to early stages of disease progression. We suggest setting realistic goals in terms of what the dogs can and cannot do and a collaborative approach between clinicians and animal psychophysicists.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,023 | 0,036 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,007 |
| Communication savante | 0,006 | 0,012 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,008 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 0,008 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».