A time motion study of manual versus artificial intelligence methods for wound assessment
Notice bibliographique
Résumé
OBJECTIVES: This time-motion study explored the amount of time clinicians spent on wound assessments in a real-world environment using wound assessment digital application utilizing Artificial Intelligence (AI) vs. manual methods. The study also aimed at comparing the proportion of captured quality wound images on the first attempt by the assessment method. METHODS: Clinicians practicing at Valley Wound Center who agreed to join the study were asked to record the time needed to complete wound assessment activities for patients with active wounds referred for a routine evaluation on the follow-up days at the clinic. Assessment activities included: labelling wounds, capturing images, measuring wounds, calculating surface areas, and transferring data into the patient's record. RESULTS: A total of 91 patients with 115 wounds were assessed. The average time to capture and access wound image with the AI digital tool was significantly faster than a standard digital camera with an average of 62 seconds (P<0.001). The digital application was significantly faster by 77% at accurately measuring and calculating the wound surface area with an average of 45.05 seconds (P<0.001). Overall, the average time to complete a wound assessment using Swift was significantly faster by 79%. Using the AI application, the staff completed all steps in about half of the time (54%) normally spent on manual wound evaluation activities. Moreover, acquiring acceptable wound image was significantly more likely to be achieved the first time using the digital tool than the manual methods (92.2% vs. 75.7%, P<0.004). CONCLUSIONS: Using the digital assessment tool saved significant time for clinicians in assessing wounds. It also successfully captured quality wound images at the first attempt.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».