018 A conceptual framework for predictive algorithm impact studies with focus on shared decision making
Notice bibliographique
Résumé
Introduction There is a proliferation of predictive algorithm development studies but a need for real- world effectiveness evaluation. Current predictive algorithm reporting guidelines and frameworks focus on technical performance. We propose the development of a Predictive algorithm Impact Evaluation (PIE) framework to address the impact of predictive algorithms in the clinical setting while prioritizing patient-centred outcomes and shared-decision making. Methods We used a flexible approach to synthesize knowledge related to the evaluation of predictive algorithms and enable exploration and mapping of key evaluation criteria. The following steps were taken: 1) defining key concepts, 2) conducting a preliminary exploration of the literature, and 3) extracting and synthesising the data into themes. The framework was developed iteratively by a multi- disciplinary group of researchers (expertise in artificial intelligence in healthcare, implementation science, learning health systems, and patient-oriented research) and our Patient and Family Advisory Committee. Results There are limited real-world evaluative studies, but a wide range of scope, approaches, and outcomes. Preliminary domains include: uses (e.g., risk stratification, risk communication); target population (e.g., patient-centred, health systems, clinical or clinician-centred); development stage (pilot, scaling); and, cross-cutting themes (e.g., equity, data privacy, bioethics, transparency). Discussion Concepts of implementation science, learning health systems, patient-centred uses are not well-established in impact or real-world evaluative studies of predictive algorithms. The iterative, consensus driven nature of the process and involvement of diverse stakeholders, including patients and families, will help ensure a comprehensive and inclusive evaluation framework. Conclusion The imperative for evaluating predictive algorithms in clinical practice is rooted in commitment to providing safe, effective, and patient-centered healthcare. A comprehensive evaluation framework can help ensure that these algorithms contribute positively to patient and clinical decision- making while upholding ethical standards and promoting equity in healthcare.
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 | 0,170 | 0,119 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,004 |
| Bibliométrie | 0,015 | 0,011 |
| Études des sciences et des technologies | 0,005 | 0,036 |
| Communication savante | 0,021 | 0,024 |
| Science ouverte | 0,007 | 0,011 |
| Intégrité de la recherche | 0,006 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 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 ».