Development of Smartphone Apps for Skin Cancer Risk Assessment: Progress and Promise
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
Skin cancer is a growing public health problem. Early and accurate detection is important, since prognosis and cost of treatment are highly dependent on cancer stage at detection. However, access to specialized health care professionals is not always straightforward, and population screening programs are unlikely to become implemented. Furthermore, there is a wide margin for improving the efficiency of skin cancer diagnostics. Specifically, the diagnostic accuracy of general practitioners and family physicians in differentiating benign and malignant skin tumors is relatively low. Both access to care and diagnostic accuracy fuel interest in developing smartphone apps equipped with algorithms for image analyses of suspicious lesions to detect skin cancer. Based on a recent review, seven smartphone apps claim to perform image analysis for skin cancer detection, but as of October 2018, only three seemed to be active. These apps have been criticized in the past due to their lack of diagnostic accuracy. Here, we review the development of the SkinVision smartphone app, which has more than 900,000 users worldwide. The latest version of the SkinVision app (October 2018) has a 95% sensitivity (78% specificity) for detection of skin cancer. The current accuracy of the algorithm may warrant the use of this app as an aid by lay users or general practitioners. Nonetheless, for mobile health apps to become broadly accepted, further research is needed on their health impact on the health system and the user population. Ultimately, mobile health apps could become a powerful tool to reduce health care costs related to skin cancer management and minimize the morbidity of skin cancer in the population.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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