MétaCan
Menu
Retour à la cohorte
Enregistrement W4213065772 · doi:10.1115/1.4053888

Use of Real-World Data for Enhancing Model Credibility: Applications to Medical Device Development

2022· article· en· W4213065772 sur OpenAlexaff
Paul Briant, Jeffrey E. Bischoff, Franck Le Navéaux, Xue‐Mei Li, Sanjeev Kulkarni, Danny L. Levine, David Orlando Ramos, Payman Afshari

Notice bibliographique

RevueJournal of Medical Devices · 2022
Typearticle
Langueen
DomaineMedicine
ThématiqueTotal Knee Arthroplasty Outcomes
Établissements canadiensSpinologics (Canada)
Organismes subventionnairesnon disponible
Mots-clésCredibilityComputer scienceRelevance (law)Process (computing)Data scienceData modelingData miningRisk analysis (engineering)Reliability engineeringEngineeringMedicineSoftware engineering

Résumé

récupéré en direct d'OpenAlex

Abstract Evaluating the credibility of computational models used in medical device development is increasingly important as medical devices become more complex and modeling takes on a more critical role in the device development process. While bench-testing based comparisons are common for assessing model credibility and have many advantages, such as control over test specimens and the ability to quantify outputs, the credibility assessments performed with bench tests often do not evaluate the clinical relevance of key aspects of model form (such as boundary conditions, constitutive models/properties, and geometries) selected when simulating in vivo conditions. Real-world data (outcomes data generated through clinical use of a device) offer an opportunity to assess the applicability and clinical relevance of a computational model. Although real-world data are frequently less controlled and more qualitative than benchtop data, real-world data are often a direct assessment of a particular clinical complication and therefore of high clinical relevance. Further, real-world data have the potential to reveal failure modes not previously identified in preclinical failure modes analysis, thereby motivating testing advancements. To review the use of clinical data in medical device modeling, this paper presents a series of examples related to tibial tray fracture that incorporate varying levels of benchtop data and real world data when evaluating model credibility. The merits and drawbacks of the credibility assessment for each example are discussed in order to provide practical and actionable guidance on the use of real-world data for establishing and demonstrating model credibility.

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)0,056
score de la tête « metaresearch » (Gemma)0,219
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,056
Score d'incertitude au seuil0,298

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0560,219
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0050,003
Études des sciences et des technologies0,0010,003
Communication savante0,0050,004
Science ouverte0,0020,004
Intégrité de la recherche0,0030,003
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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 Opus0,143
Tête enseignante GPT0,400
Écart entre enseignants0,257 · 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'étudeThéorique ou conceptuel
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

Citations4
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Medical DevicesMême sujetTotal Knee Arthroplasty OutcomesTravaux en français237 207