MétaCan
Menu
Retour à la cohorte
Enregistrement W3196599735 · doi:10.1200/cci.21.00050

Interactive Data Visualization Tool for Patient-Centered Decision Making in Kidney Cancer

2021· article· en· W3196599735 sur OpenAlexaff
Kevin Shee, Sumanta K. Pal, J. Connor Wells, José Manuel Ruiz-Morales, Kenton Russell, Shaan Dudani, Toni K. Choueiri, Daniel Yick Chin Heng, John L. Gore, Anobel Y. Odisho

Notice bibliographique

RevueJCO Clinical Cancer Informatics · 2021
Typearticle
Langueen
DomaineComputer Science
ThématiqueData Visualization and Analytics
Établissements canadiensWilliam Osler Health SystemUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésUsabilityVisualizationMedicineInteractive visualizationKidney cancerComputer scienceMedical physicsRenal cell carcinomaOncologyHuman–computer interactionData mining

Résumé

récupéré en direct d'OpenAlex

PURPOSE Patients and providers often lack clinical decision tools to enable effective shared decision making. This is especially true in the rapidly changing therapeutic landscape of metastatic kidney cancer. Using the International Metastatic Renal Cell Carcinoma Database Consortium (IMDC) criteria, a validated risk prediction tool for patients with metastatic renal cell carcinoma, we created and user-tested a novel interactive visualization for clinical use. METHODS An interactive visualization depicting IMDC criteria was created, with the final version including data for more than 4,500 patients. Usability testing was performed with nonmedical lay-users and medical oncology fellow physicians. Subjects used the tool to calculate median survival times based on IMDC criteria. User confidence was surveyed. An iterative user feedback implementation cycle was completed and informed revision of the tool. RESULTS The tool is available at CloViz—IMDC. Initially, 400 lay-users and 15 physicians completed clinical scenarios and surveys. Cumulative accuracy across scenarios was higher for physicians than lay-users (84% v 74%; P = .03). Eighty-three percent of lay-users and 87% of physicians thought the tool became intuitive with use. Sixty-eight percent of lay-users wanted to use the tool clinically compared with 87% of physicians. After revisions, the updated tool was user-tested with 100 lay-users and 15 physicians. Physicians, but not lay-users, showed significant improvement in accuracy in the updated version of the tool (90% v 67%; P = .008). Seventy-two percent of lay-users and 93% of physicians wanted to use the updated tool in a clinical setting. CONCLUSION A graphical method of interacting with a validated nomogram provides prognosis results that can be used by nonmedical lay-users and physicians, and has the potential for expanded use across many clinical conditions.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,011
score de la tête « metaresearch » (Gemma)0,059
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,017
Score d'incertitude au seuil0,060

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0110,059
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,002
Études des sciences et des technologies0,0010,001
Communication savante0,0040,003
Science ouverte0,0020,004
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0170,002

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 Opus0,133
Tête enseignante GPT0,488
Écart entre enseignants0,355 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

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

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

En bref

Citations3
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJCO Clinical Cancer InformaticsMême sujetData Visualization and AnalyticsTravaux en français237 207