Diagnostic reliability in teledermatology: a systematic review and a meta-analysis
Notice bibliographique
Résumé
OBJECTIVES: To compare teledermatology and face-to-face (F2F) agreement in primary diagnoses of dermatological conditions. DESIGN: Systematic review and meta-analysis METHODS: MEDLINE, Embase, Cochrane Library (Wiley), CINAHL and medRxiv were searched between January 2010 and May 2022. Observational studies and randomised clinical trials that reported percentage agreement or kappa concordance for primary diagnoses between teledermatology and F2F physicians were included. Titles, abstracts and full-text articles were screened in duplicate. From 7173 citations, 44 articles were included. A random-effects meta-analysis was conducted to estimate pooled estimates. Primary outcome measures were mean percentage and kappa concordance for assessing diagnostic matches between teledermatology and F2F physicians. Secondary outcome measures included the agreement between teledermatologists, F2F dermatologists, and teledermatology and histopathology results. RESULTS: 44 studies were extracted and reviewed. The pooled agreement rate was 68.9%, and kappa concordance was 0.67. When dermatologists conducted F2F and teledermatology consults, the overall diagnostic agreement was significantly higher at 71% compared with 44% for non-specialists. Kappa concordance was 0.69 for teledermatologist versus specialist and 0.52 for non-specialists. Higher diagnostic agreements were also noted with image acquisition training and digital photography. The agreement rate was 76.4% between teledermatologists, 82.4% between F2F physicians and 55.7% between teledermatology and histopathology. CONCLUSIONS AND RELEVANCE: Teledermatology can be an attractive option particularly in resource-poor settings. Future efforts should be placed on incorporating image acquisition training and access to high-quality imaging technologies. TRIAL REGISTRATION NUMBER: 10.17605/OSF.IO/FJDVG.
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 | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,014 | 0,002 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 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 ».