Impact of Automated Prognostication on Traumatic Brain Injury Care: A Focus Group Study
Notice bibliographique
Résumé
BACKGROUND: Prognosticating outcomes for traumatic brain injury (TBI) patients is challenging due to the required specialized skills and variability among clinicians. Recent attempts to standardize TBI prognosis have leveraged machine learning (ML) methodologies. This study evaluates the necessity and influence of ML-assisted TBI prognostication through healthcare professionals' perspectives via focus group discussions. METHODS: Two virtual focus groups included ten key TBI care stakeholders (one neurosurgeon, two emergency clinicians, one internist, two radiologists, one registered nurse, two researchers in ML and healthcare and one patient representative). They answered six open-ended questions about their perceptions and potential ML use in TBI prognostication. Transcribed focus group discussions were thematically analyzed using qualitative data analysis software. RESULTS: The study captured diverse perceptions and interests in TBI prognostication across clinical specialties. Notably, certain clinicians who currently do not prognosticate expressed an interest in doing so independently provided they had access to ML support. Concerns included ML's accuracy and the need for proficient ML researchers in clinical settings. The consensus suggested using ML as a secondary consultation tool and promoting collaboration with internal or external research resources. Participants believed ML prognostication could enhance disposition planning and standardize care regardless of clinician expertise or injury severity. There was no evidence of perceived bias or interference during the discussions. CONCLUSION: Our findings revealed an overall positive attitude toward ML-based prognostication. Despite raising multiple concerns, the focus group discussions were particularly valuable in underscoring the potential of ML in democratizing and standardizing TBI prognosis practices.
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 | 0,039 | 0,053 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,007 | 0,004 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,002 | 0,007 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».