Needs Assessment Survey Identifying Research Processes Which may be Improved by Automation or Artificial Intelligence: ICU Community Modeling and Artificial Intelligence to Improve Efficiency (ICU-Comma)
Notice bibliographique
Résumé
BACKGROUND: Critical care research in Canada is conducted primarily in academically-affiliated intensive care units with established research infrastructure, including research coordinators (RCs). Recently, efforts have been made to engage community hospital ICUs in research albeit with barriers. Automation or artificial intelligence (AI) could aid the performance of routine research tasks. It is unclear which research study processes might be improved through AI automation. METHODS: We conducted a cross-sectional survey of Canadian ICU research personnel. The survey contained items characterizing opinions regarding research processes that may be amenable to AI automation. We distributed the questionnaire via email distribution lists of 3 Canadian research societies. Open-ended questions were analyzed using a thematic content analysis approach. RESULTS: A total of 49 survey responses were received (response rate: 8%). Tasks that respondents felt were time-consuming/tedious/tiresome included: screening for potentially eligible patients (74%), inputting data into case report forms (65%), and preparing internal tracking logs (53%). Tasks that respondents felt could be performed by AI automation included: screening for eligible patients (59%), inputting data into case report forms (55%), preparing internal tracking logs (51%), and randomizing patients into studies (45%). Open-ended questions identified enthusiasm for AI automation to improve information accuracy and efficiency while freeing up RCs to perform tasks that require human interaction. This enthusiasm was tempered by the need for proper AI education and oversight. CONCLUSIONS: There were balanced supportive (increased efficiency and re-allocation of tasks) and challenges (informational accuracy and oversight) with regards to AI automation in ICU research.
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 | 0,023 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».