MétaCan
Menu
Retour à la cohorte
Enregistrement W4321748601 · doi:10.1371/journal.pone.0277843

Early user experience and lessons learned using ultra-portable digital X-ray with computer-aided detection (DXR-CAD) products: A qualitative study from the perspective of healthcare providers

2023· article· en· W4321748601 sur OpenAlex
Zhi Zhen Qin, Rachael Barrett, María del Mar Castro, Sarah Zaidi, Andrew James Codlin, Claudia M. Denkinger

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.

fundUn bailleur canadien est enregistré sur le travail.
no affAucune affiliation canadienne : ce travail est invisible pour une base fondée sur la seule affiliation.
Aucune affiliation canadienne. Une base fondée sur la seule affiliation (le devis habituel) n'aurait jamais vu ce travail. C'est l'un des travaux qui justifient l'inversion de la base.

Notice bibliographique

RevuePLoS ONE · 2023
Typearticle
Langueen
DomaineMedicine
ThématiqueRadiology practices and education
Établissements canadiensnon disponible
Organismes subventionnairesGlobal Affairs Canada
Mots-clésSoftware portabilityInteroperabilityHealth informaticsSoftwareComputer scienceTriageHealth careSoftware engineeringProcess managementMedicineEngineeringNursingWorld Wide WebMedical emergencyOperating systemPublic health

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Recent technological and radiological advances have renewed interest in using X-rays to screen and triage people with tuberculosis (TB). The miniaturization of digital X-ray (DXR), combined with automatic interpretation using computer-aided detection (CAD) software can extend the reach of DXR screening interventions for TB. This qualitative study assessed early implementers' experiences and lessons learned when using ultra-portable (UP) DXR systems integrated with CAD software to screen and triage TB. METHODS: Semi-structured interviews were conducted with project staff and healthcare workers at six pilot sites. Transcripts were coded and analyzed using a framework approach. The themes that emerged were subsequently organized and presented using the Consolidated Framework for Implementation Research (CFIR). RESULTS: There were 26 interviewees with varying roles: supervisory, clinicians, radiographers, and radiologists. Participants recognized the portability as the main advantage, but criticize that it involves several compromises on throughput, internet dependence, manoeuvrability, and stability, as well as suitability for patients with larger body sizes. Furthermore, compared to using hardware and software from the same supplier and without digital health information systems, complexity increases with interoperability between hardware and software, and between different electronic health information systems. Currently, there is a limited capacity to implement these technologies, especially due to the need for threshold selection, and lack of guidance on radiation protection suitable for UP DXR machines. Finally, the respondents stressed the importance of having protected means of sharing patient medical data, as well as comprehensive support and warranty plans. CONCLUSION: Study findings suggest that UP DXR with CAD was overall well received to decentralize radiological assessment for TB, however, the improved portability involved programmatic compromises. The main barriers to uptake included insufficient capacity and lack of guidance on radiation protection suitable for UP DXR.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,065
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,187
Tête enseignante GPT0,393
Écart entre enseignants0,207 · 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