MétaCan
Menu
Retour à la cohorte
Enregistrement W3205551384 · doi:10.1038/s41591-021-01517-0

A quality assessment tool for artificial intelligence-centered diagnostic test accuracy studies: QUADAS-AI

2021· letter· en· W3205551384 sur OpenAlexafffund
Viknesh Sounderajah, Hutan Ashrafian, Sherri Rose, Nigam H. Shah, Marzyeh Ghassemi, Robert Golub, Charles E. Kahn, Andre Esteva, Alan Karthikesalingam, Bilal A. Mateen, Dale R. Webster, Dan Miléa, Daniel Shu Wei Ting, Darren Treanor, Dominic Cushnan, Dominic King, Duncan McPherson, Ben Glocker, Felix Greaves, Leanne Harling, Johan Ordish, Jérémie F. Cohen, Jonathan J Deeks, Mariska Leeflang, Matthew C. Diamond, Matthew D. F. McInnes, Melissa D. McCradden, Michael D. Abràmoff, Pasha Normahani, Sheraz R. Markar, Stephanie Chang, Xiaoxuan Liu, Susan Mallett, Shravya Shetty, Alastair K. Denniston, Gary S. Collins, David Moher, Penny Whiting, Patrick M. Bossuyt, Ara Darzi

Notice bibliographique

RevueNature Medicine · 2021
Typeletter
Langueen
DomaineMedicine
ThématiqueArtificial Intelligence in Healthcare and Education
Établissements canadiensOttawa HospitalHospital for Sick ChildrenUniversity of Ottawa
Organismes subventionnairesNational Institute of Diabetes and Digestive and Kidney DiseasesNIHR Oxford Biomedical Research CentreNIHR Imperial Biomedical Research CentreMassachusetts General HospitalUK Research and InnovationAssistance publique-Hôpitaux de ParisInstitut National de la Santé et de la Recherche MédicaleSingapore Eye Research InstituteUniversity of OttawaImperial College LondonLinköpings UniversitetWellcome TrustUniversity College LondonCancer Research UKOxford University Hospitals NHS Foundation TrustAmsterdam University Medical CentersNational Institutes of HealthUniversity Hospitals Birmingham NHS Foundation TrustNuclear Power Institute of ChinaUniversiteit van AmsterdamUniversité de ParisOttawa Hospital Research InstituteUniversity of OxfordUniversity of LeedsNational Institute for Health and Care ExcellenceMassachusetts Institute of TechnologyUniversity of PennsylvaniaNational Institute for Health and Care Research
Mots-clésTest (biology)Diagnostic accuracyDiagnostic testArtificial intelligenceComputer scienceQuality (philosophy)Quality assessmentMedical physicsMachine learningExternal quality assessmentMedicinePathologyBiologyInternal medicinePediatrics

Résumé

récupéré en direct d'OpenAlex
Aucun résumé dans les sources couvertes. Son absence est consignée, pas traitée comme un négatif.

Aucun résumé. Ce n'est pas une lacune de cette base de données : OpenAlex n'en a pas non plus. 23,3 % de la base est dans cet état, et le tri y repère MOITIÉ moins de métarecherche ; l'absence est donc un biais mesuré, et non un champ manquant.

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)0,143
score de la tête « metaresearch » (Gemma)0,449
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: Méthodes · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,857
Score d'incertitude au seuil0,757

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,1430,449
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0030,002
Bibliométrie0,0040,005
Études des sciences et des technologies0,0020,002
Communication savante0,0050,003
Science ouverte0,0030,004
Intégrité de la recherche0,0090,011
Charge utile insuffisante (le modèle a refusé de juger)0,0040,002

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 Opus0,334
Tête enseignante GPT0,548
Écart entre enseignants0,215 · 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.

Devis d'étudeThéorique ou conceptuel
DomaineMéthodes
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

Citations242
Publié2021
Routes d'admission2
Résumé présentnon

Explorer davantage

Même revueNature MedicineMême sujetArtificial Intelligence in Healthcare and EducationTravaux en français237 207