<scp>The point‐of‐care</scp> use of a facial phenotyping tool in the genetics clinic: Enhancing diagnosis and education with machine learning
Notice bibliographique
Résumé
Computer-assisted pattern recognition platforms, such as Face2Gene® (F2G), can facilitate the diagnosis of children with rare genetic syndromes by comparing a patient's features to known genetic diagnoses. Our work designed, implemented, and evaluated an innovative model of care in clinical genetics in a heterogeneous and multicultural patient population that utilized this facial phenotyping software at the point-of-care. We assessed the performance of F2G by comparing the suggested diagnoses to the patient's confirmed molecular diagnosis. Providers' overall experiences with the technology and trainees' educational experiences were assessed with questionnaires. We achieved an overall diagnostic yield of 57%. This increased to 82% when cases diagnosed with syndromes not recognized by F2G were removed. The mean rank of a confirmed diagnosis in the top 10 was 2.3 (CI 1.5-3.2) and the mean gestalt score 37.6%. The most commonly suggested diagnoses were Noonan syndrome, mucopolysaccharidosis, and 22q11.2 deletion syndrome. Our qualitative assessment revealed that clinicians and trainees saw value using the tool in practice. Overall, this work helped to implement an innovative patient care delivery model in clinical genetics that utilizes a facial phenotyping tool at the point-of-care. Our data suggest that F2G has utility in the genetics clinic as a clinical decision support tool in diverse populations, with a majority of patients having their eventual diagnosis listed in the top 10 suggested syndromes based on a photograph alone. It shows promise for further integration into clinical care and medical education, and we advocate for its continued use, adoption and refinement along with transparent and accountable industrial partnerships.
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 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».