Proposal of a Method for Transferring High-Quality Scientific Literature Data to Virtual Patient Cases Using Categorical Data Generated by Bernoulli-Distributed Random Values: Development and Prototypical Implementation
Notice bibliographique
Résumé
BACKGROUND: Teaching medicine is a complex task because medical teachers are also involved in clinical practice and research and the availability of cases with rare diseases is very restricted. Automatic creation of virtual patient cases would be a great benefit, saving time and providing a wider choice of virtual patient cases for student training. OBJECTIVE: This study explored whether the medical literature provides usable quantifiable information on rare diseases. The study implemented a computerized method that simulates basic clinical patient cases utilizing probabilities of symptom occurrence for a disease. METHODS: Medical literature was searched for suitable rare diseases and the required information on the respective probabilities of specific symptoms. We developed a statistical script that delivers basic virtual patient cases with random symptom complexes generated by Bernoulli experiments, according to probabilities reported in the literature. The number of runs and thus the number of patient cases generated are arbitrary. RESULTS: We illustrated the function of our generator with the exemplary diagnosis "brain abscess" with the related symptoms "headache, mental status change, focal neurologic deficit, fever, seizure, nausea and vomiting, nuchal rigidity, and papilledema" and the respective probabilities from the literature. With a growing number of repetitions of the Bernoulli experiment, the relative frequencies of occurrence increasingly converged with the probabilities from the literature. For example, the relative frequency for headache after 10.000 repetitions was 0.7267 and, after rounding, equaled the mean value of the probability range of 0.73 reported in the literature. The same applied to the other symptoms. CONCLUSIONS: The medical literature provides specific information on characteristics of rare diseases that can be transferred to probabilities. The results of our computerized method suggest that automated creation of virtual patient cases based on these probabilities is possible. With additional information provided in the literature, an extension of the generator can be implemented in further research.
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 machine sur la base complète
Imitation des enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,003 |
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 source (Gemma direct ou Codex distillé), 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 ».