VP30 The Use Of Artificial Intelligence In Health Technology Assessment
Notice bibliographique
Résumé
Introduction: To make itself more relevant in a longer perspective health technology assessment (HTA) will have to make use of novel ways to improve its services; in particular in terms of rapid response, cost savings and reduction of risk of bias. The use of artificial intelligence (AI) offers significant assistance at essentially all stages of any HTA. It can search, retrieve, read and organize relevant literature, not only from traditional databases but from numerous data sources related to specific issues (e.g. clinical trials, health outcomes, payment of services), and from databases in other areas such as in social, justice, and educational services, and public health. Methods: This presentation will explain the use and feasibility of AI in HTAs based on the findings from a currently ongoing project in the province of Alberta Canada. It will (i) provide an overview of AI in healthcare, (ii) outline selected international efforts of using AI in systematic reviews, such as the Robotreviewer, (iii) describe the information needed, and the development of the algorithms for using AI in HTAs, and (iv) report on the findings from a comparative study of human versus AI resources in performing an HTA. Results: This project has just started, however preliminary findings from the comparative analysis of AI versus human performance on a specific topic for HTA will be presented. Conclusions: It is expected that the comparative study will demonstrate that artificial intelligence will become a useful tool in HTA in that it will significantly speed up systematic reviews, and decrease the risk of bias in syntheses of findings from research.
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 | 0,052 | 0,133 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,009 | 0,013 |
| Études des sciences et des technologies | 0,001 | 0,005 |
| Communication savante | 0,011 | 0,006 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,036 | 0,007 |
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 ».