A tool to facilitate spirometry quality control assessment using 2019 standards
Notice bibliographique
Résumé
<b>Rationale:</b> The 2019 ATS/ERS spirometry standards provide objective and subjective manoeuvre acceptability criteria. Subjective components may lead to discordance among expert reviewers. A tool using the 2019 criteria was developed to give reviewers a common approach to determine test acceptability and facilitate a decision consensus. <b>Methods:</b> The tool, which incorporates artificial intelligence quality assessment, applied the objective acceptability criteria and displayed key points (FEV1, end-expiration) on F-V and V-T graphs to aid reviewers in assessing contours and identifying anomalies. The tool evaluates and reports FEV1, FVC, BEV, plateau volume, expiratory time, rise time and inspired volume following EOFE (FIVC). Subjective assessments were: achievement of maximal flow and volume; occurrence of cough, glottis closure or any anomaly in 1st second of expiration; and glottis closure or early termination after 1 s of expiration. Reviewers complete a yes/no check box for each criterion. The tool calculates whether the manoeuvre is acceptable or usable. <b>Results:</b> Three reviewers used the tool to assess 150 tests. 50 were repeated to assess intra-rater reliability, (Kappa: 0.83, 0.86 and 0.80). All reviewers agreed on 63% of 100 unique tests (Kappa=0.5). Using the tool to develop reviewer consensus on each test, the individual agreement with the consensus was 88%, 94% and 70%. <b>Conclusion:</b> Despite using a set of strong objective criteria defined by the spirometry standards, intra- and inter-rater disagreement in assessing spirometry manoeuvre acceptability persists. The developed tool can be used as a powerful way to standardise assessment and reduce variability, and its additional benefits are being investigated
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 | 0,001 | 0,000 |
| 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».