A holistic approach to integrating patient, family, and lived experience voices in the development of the BrainHealth Databank: a digital learning health system to enable artificial intelligence in the clinic
Notice bibliographique
Résumé
Artificial intelligence, machine learning, and digital health innovations have tremendous potential to advance patient-centred, data-driven mental healthcare. To enable the clinical application of such innovations, the Krembil Centre for Neuroinformatics at the Centre for Addiction and Mental Health, Canada's largest mental health hospital, embarked on a journey to co-create a digital learning health system called the BrainHealth Databank (BHDB). Working with clinicians, scientists, and administrators alongside patients, families, and persons with lived experience (PFLE), this hospital-wide team has adopted a systems approach that integrates clinical and research data and practices to improve care and accelerate research. PFLE engagement was intentional and initiated at the conception stage of the BHDB to help ensure the initiative would achieve its goal of understanding the community's needs while improving patient care and experience. The BHDB team implemented an evolving, dynamic strategy to support continuous and active PFLE engagement in all aspects of the BHDB that has and will continue to impact patients and families directly. We describe PFLE consultation, co-design, and partnership in various BHDB activities and projects. In all three examples, we discuss the factors contributing to successful PFLE engagement, share lessons learned, and highlight areas for growth and improvement. By sharing how the BHDB navigated and fostered PFLE engagement, we hope to motivate and inspire the health informatics community to collectively chart their paths in PFLE engagement to support advancements in digital health and artificial intelligence.
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 | 0,008 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».