Assessing the evidence on Artificial Intelligence: Health technology assessments and real-world needs for decision-making in health care
Notice bibliographique
Résumé
INTRODUCTION Artificial Intelligence (AI) is rapidly entering the field of medicine. With many AI tools available, an increased interest in understanding and identifying effective AI applications for different aspects of healthcare delivery is reported by decision-makers in Canada. THE PRESENTATION This presentation will provide an overview of recent evidence reviews by the Canadian Agency of Drugs and Technologies in Health (CADTH) on AI technologies for two different fields in healthcare: lung cancer diagnosis (1) and mental health (in collaboration with the Mental Health Commission of Canada) (2). It will highlight the process for evaluating the evidence on the clinical utility of AI applications, the diagnostic accuracy, cost-effectiveness and guidelines for clinical use. The presentation will also cover high-level findings of a pan-Canadian survey that collected information about the extent and type of use of AI in imaging departments across Canada (3). OBJECTIVES The objective of this presentation is to highlight current evidence and real-world use of various applications of AI in healthcare. In addition to the main findings of the evidence reviews, the presentation will aim to invite a discussion on implications of the findings for policy and clinical decisions and the utility and value of such reviews for addressing the needs of healthcare decision-makers in the context of the rapidly evolving field of AI. REFERENCES Artificial intelligence for classification of lung nodules: clinical utility, diagnostic accuracy, cost-effectiveness and guidelines. (CADTH rapid response report: summary with critical appraisal). Ottawa: CADTH; 2020 Jan. Artificial Intelligence and Machine Learning in Mental Health Services: A Literature Review. Ottawa: CADTH; 2020 Aug. (CADTH Rapid Response Report: Summary With Critical Appraisal). Joint publication with the Mental Health Commission of Canada. The Canadian Medical Inventory 2019-2020. Ottawa: CADTH; 2021 Jan. (CADTH health technology review).
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 | 0,001 | 0,003 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 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 ».