Digital health and artificial intelligence in kidney research: a report from the 2020 Kidney Disease Clinical Trialists (KDCT) meeting
Notice bibliographique
Résumé
The exponential growth in digital technology coupled with the global coronavirus disease 2019 pandemic is driving a profound change in the delivery of medical care and research conduct. The growing availability of electronic monitoring, electronic health records, smartphones and other devices and access to ever greater computational power provides not only new opportunities, but also new challenges. Artificial intelligence (AI) exemplifies the potential of this digital revolution, which also includes other tools such as mobile health (mHealth) services and wearables. Despite digital technology becoming commonplace, its use in medicine and medical research is still in its infancy, with many clinicians and researchers having limited experience with such tools in their usual practice. This article, derived from the 'Digital Health and Artificial Intelligence' session of the Kidney Disease Clinical Trialists virtual workshop held in September 2020, aims to illustrate the breadth of applications to which digital tools and AI can be applied in clinical medicine and research. It highlights several innovative projects incorporating digital technology that range from streamlining medical care of those with acute kidney injury to the use of AI to navigate the vast genomic and proteomic data gathered in kidney disease. Important considerations relating to any new digital health project are presented, with a view to encouraging the further evolution and refinement of these new tools in a manner that fosters collaboration and the generation of robust evidence.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,096 | 0,090 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,013 | 0,009 |
| Science ouverte | 0,002 | 0,008 |
| Intégrité de la recherche | 0,012 | 0,014 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,003 |
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 source (Gemma direct ou Codex distillé), 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 ».