Enregistrement W4280572991 · doi:10.1038/s41591-022-01772-9

Reporting guideline for the early-stage clinical evaluation of decision support systems driven by artificial intelligence: DECIDE-AI

2022· review· en· W4280572991 sur OpenAlexaff

Baptiste Vasey, Myura Nagendran, Bruce Campbell, David A. Clifton, Gary S. Collins, Spiros Denaxas, Alastair K. Denniston, Livia Faes, Bart Geerts, Mudathir Ibrahim, Xiaoxuan Liu, Bilal A. Mateen, Piyush Mathur, Melissa D. McCradden, Lauren Morgan, Johan Ordish, Campbell Rogers, Suchi Saria, Daniel Shu Wei Ting, Peter Watkinson, Wim Weber, Peter Wheatstone, Peter McCulloch, Aaron Lee, Alan G. Fraser, Ali Connell, Alykhan Vira, Andre Esteva, Andrew D. Althouse, Andrew L. Beam, Anne de Hond, Anne‐Laure Boulesteix, Anthony Bradlow, Ari Ercole, Arsenio Páez, Athanasios Tsanas, Barry Kirby, Ben Glocker, Carmelo Velardo, Chang Min Park, Charisma Hehakaya, Chris Baber, Chris Paton, Christian Johner, Christopher Kelly, Christopher Yau, Clare McGenity, Constantine Gatsonis, Corinne Faivre‐Finn, Crispin Simon, Danielle Sent, Danilo Bzdok, Darren Treanor, David Wong, David F. Steiner, David Higgins, Dawn Benson, Declan P. O’Regan, Dinesh V. Gunasekaran, Dominic Danks, Emanuele Neri, Evangelia Kyrimi, Falk Schwendicke, Farah Magrabi, Frances Ives, Frank Rademakers, G Fowler, Giuseppe Frau, Henry David Jeffry Hogg, Hani J. Marcus, Heang‐Ping Chan, Henry Xiang, Hugh McIntyre, Hugh Harvey, Hyungjin Kim, Ibrahim Habli, James C. Fackler, James Shaw, Janet Higham, Jared M. Wohlgemut, Jaron Chong, Jean‐Emmanuel Bibault, Jérémie F. Cohen, Jesper Kers, Jessica Morley, Joachim Krois, João Monteiro, Joel Horovitz, John Fletcher, Jonathan Taylor, Jung Hyun Yoon, Karandeep Singh, Karel G.M. Moons, Kassandra Karpathakis, Ken Catchpole, Kerenza Hood, Konstantinos Balaskas, Konstantinos Kamnitsas, Laura G. Militello, Laure Wynants, Lauren Oakden‐Rayner, Laurence Lovat, Luc Smits, Ludwig Christian Hinske, M. Khair ElZarrad, Maarten van Smeden, Mara Giavina‐Bianchi, Mark Daley, Mark Sendak, Mark Sujan, Maroeska M. Rovers, Matthew DeCamp, Matthew Woodward, Matthieu Komorowski, Max Marsden, Maxine Mackintosh, Michael D. Abràmoff, Miguel Ángel Armengol de la Hoz, Neale Hambidge, Neil Daly, Niels Peek, Oliver Redfern, Omer F. Ahmad, Patrick M. Bossuyt, Pearse A. Keane, Pedro Ferreira, Petra Schnell‐Inderst, Pietro Mascagni, Prokar Dasgupta, Pujun Guan, Rachel Barnett, Rawen Kader, Reena Chopra, Ritse M. Mann, Rupa Sarkar, Saana M. Mäenpää, Samuel G. Finlayson, Sarah Vollam, Sebastian J. Vollmer, Seong Ho Park, Shakir Laher, Shalmali Joshi, Siri Lise van der Meijden, Susan C. Shelmerdine, Tien‐En Tan, Tom J. W. Stocker, Valentina Giannini, Vince I. Madai, Virginia Newcombe, Wei Yan Ng, Wendy Rogers, William Ogallo, Yoonyoung Park, Zane Perkins

Notice bibliographique

RevueNature Medicine · 2022

Typereview

Langueen

DomaineMedicine

ThématiqueArtificial Intelligence in Healthcare and Education

Établissements canadiensWestern UniversityMila - Quebec Artificial Intelligence InstituteHospital for Sick ChildrenPublic Health OntarioUniversity of Toronto

Organismes subventionnairesNIHR Oxford Biomedical Research CentreNational Medical Research CouncilMedical Research CouncilRussian Science FoundationNational Institutes of HealthNational Health Insurance ServiceAgency for Science, Technology and ResearchUniversity of OxfordCancer Research UKWellcome TrustUniversity College LondonResearch Councils UKNational Institute for Health and Care ResearchAlan Turing InstituteGlaxoSmithKlineEngineering and Physical Sciences Research CouncilPioneer FundNational Science FoundationUK Research and InnovationAstraZenecaDuke-NUS Medical SchoolAmerican Heart AssociationSheffield Teaching Hospitals NHS Foundation TrustAlfred P. Sloan FoundationNational Heart, Lung, and Blood InstituteAcademy of Medical Sciences

Mots-clésGuidelineStage (stratigraphy)Clinical decision support systemDecision support systemArtificial intelligenceComputer scienceMedicinePathologyBiology

DOI10.1038/s41591-022-01772-9

Résumé

récupéré en direct d'OpenAlex

Aucun résumé dans les sources couvertes. Son absence est consignée, pas traitée comme un négatif.

Aucun résumé. Ce n'est pas une lacune de cette base de données : OpenAlex n'en a pas non plus. 23,3 % de la base est dans cet état, et le tri y repère MOITIÉ moins de métarecherche ; l'absence est donc un biais mesuré, et non un champ manquant.

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)0,014

score de la tête « metaresearch » (Gemma)0,043

Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated

Catégories candidatesMétarecherche

Catégories consensuellesaucune

DomaineSignal candidat: Présentation des résultats · Signal consensuel: aucune

Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet

GenreSignal candidat: Méthodes · Signal consensuel: aucune

Score de désaccord entre enseignants0,986

Score d'incertitude au seuil0,075

Scores du classifieur distillé par catégorie (deux têtes)

Catégorie	Codex	Gemma
Métarecherche	0,014	0,043
Méta-épidémiologie (sens strict)	0,002	0,001
Méta-épidémiologie (sens large)	0,007	0,011
Bibliométrie	0,006	0,005
Études des sciences et des technologies	0,001	0,002
Communication savante	0,004	0,002
Science ouverte	0,008	0,003
Intégrité de la recherche	0,006	0,005
Charge utile insuffisante (le modèle a refusé de juger)	0,015	0,007

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 Opus0,552

Tête enseignante GPT0,632

Écart entre enseignants0,080 · 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