Barriers of artificial intelligence implementation in the diagnosis of obstructive sleep apnea
Notice bibliographique
Résumé
BACKGROUND: Obstructive sleep apnea is a common clinical condition and has a significant impact on the health of patients if untreated. The current diagnostic gold standard for obstructive sleep apnea is polysomnography, which is labor intensive, requires specialists to utilize, expensive, and has accessibility challenges. There are also challenges with awareness and identification of obstructive sleep apnea in the primary care setting. Artificial intelligence systems offer the opportunity for a new diagnostic approach that addresses the limitations of polysomnography and ultimately benefits patients by streamlining the diagnostic expedition. MAIN BODY: The purpose of this project is to elucidate the barriers that exist in the implementation of artificial intelligence systems into the diagnostic context of obstructive sleep apnea. It is essential to understand these challenges in order to proactively create solutions and establish an efficient adoption of this new technology. The literature regarding the evolution of the diagnosis of obstructive sleep apnea, the role of artificial intelligence in the diagnosis, and the barriers in artificial intelligence implementation was reviewed and analyzed. CONCLUSION: The barriers identified were categorized into different themes including technology, data, regulation, human resources, education, and culture. Many of these challenges are ubiquitous across artificial intelligence implementation in any medical diagnostic setting. Future research directions include developing solutions to the barriers presented in this project.
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 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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».