MétaCan
Menu
Retour à la cohorte
Enregistrement W3180849438 · doi:10.4018/ijeach.2021070101

Artificial Intelligence-Assisted Endoscopy in Ulcerative Colitis

2021· article· en· W3180849438 sur OpenAlexaff
Petros Zezos

Notice bibliographique

RevueInternational Journal of Extreme Automation and Connectivity in Healthcare · 2021
Typearticle
Langueen
DomaineMedicine
ThématiqueColorectal Cancer Screening and Detection
Établissements canadiensNOSM UniversityThunder Bay Regional Health Sciences Centre
Organismes subventionnairesnon disponible
Mots-clésUlcerative colitisMedicineEndoscopyInflammatory bowel diseaseColonoscopyGastroenterologyGold standard (test)DiseaseInternal medicineCrohn's diseaseInflammatory Bowel DiseasesGastrointestinal tractColorectal cancerCancer

Résumé

récupéré en direct d'OpenAlex

Inflammatory bowel diseases (IBD) are disorders that cause chronic inflammation in the gastrointestinal (GI) tract. The two most common forms of IBD are Crohn's disease and ulcerative colitis (UC). Imaged by high-definition video-camera via the colonoscope, the mucosa of the colon is recorded and examined by the endoscopist. Endoscopy is the gold standard method of discerning the disease severity and the treatment outcome in patients with UC. Determining the severity and the extent of the disease is important in guiding the management. This is challenging due to inter-individual variation, subjectivity in reporting endoscopic scores, and human time commitment. To address these concerns, computational aids via artificial intelligence (AI) can contribute to the processing of endoscopy data. In this editorial, the authors provide an overview of AI use in the endoscopic assessment UC activity and severity.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,878
Score d'incertitude au seuil0,573

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,082
Tête enseignante GPT0,362
Écart entre enseignants0,281 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Extreme Automation and Connectivity in HealthcareMême sujetColorectal Cancer Screening and DetectionTravaux en français237 207