MétaCan
Menu
Retour à la cohorte
Enregistrement W4395052875 · doi:10.1055/s-0044-1783005

Variability in Computer-Aided Detection effect on Adenoma Detection Rate in randomized controlled trials: a meta-regression analysis

2024· article· en· W4395052875 sur OpenAlexaff
Marco Spadaccini, M. Yuichi, Cesare Hassan, F. Antonio, Tommy Rizkala, Davide Massimi, M. Roberta, Harsh K. Patel, K. Kareem, Daryl Ramai, R. Emanuele, Franco Radaelli, Alessandro Fugazza, Matteo Colombo, D. M. Alessandro, Gianluca Franchellucci, DK Rex, Mohamed Abdelrahim, S. Prateek, Alessandro Repici

Notice bibliographique

RevueEndoscopy · 2024
Typearticle
Langueen
DomaineComputer Science
ThématiqueAI in cancer detection
Établissements canadiensSt. Michael's Hospital
Organismes subventionnairesnon disponible
Mots-clésMedicineMeta-analysisMeta-regressionRandomized controlled trialArtificial intelligenceAdenomaRegressionRegression analysisStatisticsInternal medicineMachine learningComputer science

Résumé

récupéré en direct d'OpenAlex

Aims The assistance of computer-aided detection (CADe) systems during colonoscopy may increase adenoma detection rate (ADR), theoretically reducing the risk of post-colonoscopy colorectal cancer (PCCRC). Although the promising results in different randomized trials, both the variability of the magnitude of relative effect of CADe systems across the previous studies, and the contradicting results in the first real-life experiences, highlighted a clear gap of knowledge when looking for those factors possibly explaining these fluctuating results. The aim of our analysis was to investigate the different variables possibly affecting the impact of CADe-assisted colonoscopy and its effect on ADR.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,045
score de la tête « metaresearch » (Gemma)0,005
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Méta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,822
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0450,005
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0050,002
Bibliométrie0,0020,004
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,025
Tête enseignante GPT0,321
Écart entre enseignants0,296 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEndoscopyMême sujetAI in cancer detectionTravaux en français237 207