A Mixed-Methods Feasibility Study of a Novel AI-Enabled, Web-Based, Clinical Decision Support System for the Treatment of Major Depression in Adults
Notice bibliographique
Résumé
Abstract The objective of this paper is to discuss perceived clinical utility and impact on physician-patient relationship of a novel, artificial-intelligence (AI) enabled clinical decision support system (CDSS) for use in the treatment of adults with major depression. Patients had a baseline appointment, followed by a minimum of two appointments with the CDSS. For both physicians and patients, study exit questionnaires and interviews were conducted to assess perceived clinical utility, impact on patient-physician relationship, and understanding and trust in the CDSS. 17 patients consented to participate in the study, of which 14 completed. 86% of physicians (6/7) felt the information provided by the CDSS provided a more comprehensive understanding of patient situations and 71% (5/7) felt the information was helpful. 86% of physicians (6/7) reported the AI/predictive model was useful when making treatment decisions. 62% of patients (8/13) reported improvement in their care as a result of the tool. 46% of patients (6/13) felt the app significantly or somewhat improved their relationship with their physicians; 54% felt it did not change. 71% of physicians (5/7) and 62% of patients (8/13) rated they trusted the tool. Qualitative results are analyzed and presented. Findings suggest physicians perceived the tool as useful in conducting appointments and used it while making treatment decisions. Physicians and patients generally found the tool trustworthy, and it may have positive effects on physician-patient relationships.
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 | 0,022 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».