Smartphone Integration of Artificial Intelligence for Automated Plagiocephaly Diagnosis
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
Positional plagiocephaly is a pediatric condition with important cosmetic implications affecting ∼40% of infants under 12 months of age. Early diagnosis and treatment initiation is imperative in achieving satisfactory outcomes; improved diagnostic modalities are needed to support this goal. This study aimed to determine whether a smartphone-based artificial intelligence tool could diagnose positional plagiocephaly. Methods: A prospective validation study was conducted at a large tertiary care center with two recruitment sites: (1) newborn nursery, (2) pediatric craniofacial surgery clinic. Eligible children were aged 0-12 months with no history of hydrocephalus, intracranial tumors, intracranial hemorrhage, intracranial hardware, or prior craniofacial surgery. Successful artificial intelligence diagnosis required identification of the presence and severity of positional plagiocephaly. Results: A total of 89 infants were prospectively enrolled from the craniofacial surgery clinic (n = 25, 17 male infants [68%], eight female infants [32%], mean age 8.44 months) and newborn nursery (n = 64, 29 male infants [45%], 25 female infants [39%], mean age 0 months). The model obtained a diagnostic accuracy of 85.39% compared with a standard clinical examination with a disease prevalence of 48%. Sensitivity was 87.50% [95% CI, 75.94-98.42] with a specificity of 83.67% [95% CI, 72.35-94.99]. Precision was 81.40%, while likelihood ratios (positive and negative) were 5.36 and 0.15, respectively. The F1-score was 84.34%. Conclusions: The smartphone-based artificial intelligence algorithm accurately diagnosed positional plagiocephaly in a clinical environment. This technology may provide value by helping guide specialist consultation and enabling longitudinal quantitative monitoring of cranial shape.
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 | 0,000 | 0,001 |
| 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 | 0,000 | 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) | 0,000 | 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