Development of a Cloud-Based Clinical Decision Support System for Ophthalmology Triage Using Decision Tree Artificial Intelligence
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
Purpose: Clinical decision support systems (CDSS) are an emerging frontier in teleophthalmology, drawing on heuristic decision making to augment processes such as triage and referral. We describe the development and implementation of a novel cloud-based decision tree CDSS for on-call ophthalmology consults. The objective was to standardize the triage and referral process while providing a more accurate provisional diagnosis and urgency. Design: Prospective comparative cohort study. Subjects: On-call referrals to a Canadian community ophthalmology clinic. Methods: A web-based decision tree algorithm was developed using current guidelines and expert opinion. The algorithm collected tailored information on the patient's ophthalmic concern, and outputted a provisional diagnosis and urgency before sending an electronic referral to the on-call ophthalmology clinic. Data were described using descriptive statistics. Spearman-rho correlations and Cohen's kappa coefficient were used to characterize the observed relationships. Post hoc analysis was conducted using analysis of contingency tables and adjusted residuals. Main Outcome Measures: Diagnostic category, provisional diagnosis, and urgency for the referring provider, CDSS, and ophthalmologist. Results: < 0.0001) in determining urgency. The CDSS assigned a lower level of urgency in 22 cases (22.9%) compared with referring providers in 6 cases (6.3%). Conclusions: To our knowledge, this is the first cloud-based CDSS in ophthalmology designed to augment the triage and referral process. The CDSS achieves a more accurate diagnosis and urgency, standardizes information collection, and overcomes antiquated paper-based consults. Future directions include developing a random forest model or integrating convolutional neural network-based machine learning to refine the speed and accuracy of triage and referral processes, with emphasis on increasing sensitivity of the CDSS.
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 | 0,031 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 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