Comprehensive review of virtual assistants in vascular surgery
Notice bibliographique
Résumé
Virtual assistants, broadly defined as digital services designed to simulate human conversation and provide personalized responses based on user input, have the potential to improve health care by supporting clinicians and patients in terms of diagnosing and managing disease, performing administrative tasks, and supporting medical research and education. These tasks are particularly helpful in vascular surgery, where the clinical and administrative burden is high due to the rising incidence of vascular disease, the medical complexity of the patients, and the potential for innovation and care advancement. The rapid development of artificial intelligence, machine learning, and natural language processing techniques have facilitated the training of large language models, such as GPT-4 (OpenAI), which can support the development of increasingly powerful virtual assistants. These tools may support holistic, multidisciplinary, and high-quality vascular care delivery throughout the pre-, intra-, and postoperative stages. Importantly, it is critical to consider the design, safety, and challenges related to virtual assistants, including data security, ethical, and equity concerns. By combining the perspectives of patients, clinicians, data scientists, and other stakeholders when developing, implementing, and monitoring virtual assistants, there is potential to harness the power of this technology to care for vascular surgery patients more effectively. In this comprehensive review article, we introduce the concept of virtual assistants, describe potential applications of virtual assistants in vascular surgery for clinicians and patients, highlight the benefits and drawbacks of large language models, such as GPT-4, and discuss considerations around the design, safety, and challenges associated with virtual assistants in vascular surgery.
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 | 0,005 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,003 |
| Bibliométrie | 0,002 | 0,003 |
| 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 | 0,001 | 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 ».