A mixed-methods feasibility study of a novel AI-enabled, web-based, clinical decision support system for the treatment of major depression in adults
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
The objective of this paper is to discuss perceived clinical utility and impact on physician-patient relationship of a novel, artificial-intelligence (AI) enabled clinical decision support system (CDSS) for use in treating adults with major depression. A single arm, naturalistic follow-up study aimed at assessing the acceptability and useability of the software. Patients had a baseline appointment, followed by a minimum of two appointments with the CDSS. Study exit questionnaires and interviews were conducted to assess perceived clinical utility, impact on patient-physician relationship, and understanding and trust. 7 physicians and 17 patients, of which 14 completed, consented to participate. 86% of physicians (6/7) felt the information provided by the CDSS provided more comprehensive understanding of patient situations. 71% (5/7) felt the information was helpful. 86% of physicians (6/7) reported the AI/predictive model was useful when deciding treatment. 62% of patients (8/13) reported improved care due to the tool, and 46%(6/13) reported a significantly or somewhat improved physician-patient relationship 54% reported no change. 71% of physicians (5/7) and 62% of patients (8/13) rated trusting the tool. Small sample size and treatment changes prior to CDSS introduction limits ability to verify impact on outcomes. Qualitative results from 12 patient exit interviews are analyzed and presented. Findings suggest physicians perceived the tool as useful in conducting appointments and used it while deciding treatment. Physicians and patients generally found the tool trustworthy, and it may have positive effects on physician-patient relationships. (Study identifier: NCT04061642).
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| 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