Use of Real-World Data for Enhancing Model Credibility: Applications to Medical Device Development
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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.
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 découle