Abstract 14455: Impact of Computer-Interpreted ECGs on the Accuracy of Medical Professionals
Notice bibliographique
Résumé
Background: The impact of computer ECG interpretation (CEI) on medical professionals’ performance is understudied. This study aims to assess the interpretation proficiency of diverse medical professionals with and without access to CEI reports. Methods: Medical professionals from diverse backgrounds interpreted 60 12-lead ECGs with urgent and non-urgent findings. The interpretation process involved two interpretation phases: (i) 30 ECGs with clinical statements and (ii) the same 30 ECGs and clinical statements in random order along with a CEI report. Diagnostic performance was evaluated based on interpretation accuracy, time per ECG, and self-reported confidence (rated 0 [not confident], 1 [somewhat confident], or 2 [confident]). Results: Among 892 participants, there were 44 (4.9%) primary care physicians, 123 (13.8%) cardiology fellows-in-training, 259 (29.0%) resident physicians, 137 (15.4%) medical students, 56 (6.3%) advanced practice providers, 82 (9.2%) nurses, and 191 (21.4%) allied health professionals. The inclusion of the CEI significantly improved interpretation accuracy by 15.1% (95% CI, 14.3 to 16.0; P<0.001), reduced interpretation time by 52 seconds (95% CI, -56 to -48; P<0.001), and increased confidence by 0.06 (95% CI, 0.03 to 0.09; P=0.003) (Table 1) . Conclusions: CEI integration improves ECG interpretation accuracy, efficiency, and confidence across medical professionals. Nevertheless, even with CEI, significant gaps in ECG interpretation proficiency remain.
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 | 0,018 | 0,146 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».