MétaCan
Menu
Retour à la cohorte
Enregistrement W4402330437 · doi:10.2196/60851

EyeMatics: An Ophthalmology Use Case Within the German Medical Informatics Initiative

2024· article· en· W4402330437 sur OpenAlexvenueno aff
Julian Varghese, Alexander K. Schuster, Broder Poschkamp, Kemal Yildirim, Johannes Oehm, Philipp Berens, Sarah Müller, Julius Gervelmeyer, Katja Hoffmann, Martin Sedlmayr, Vinodh Kakkassery, Oliver Kohlbacher, David A. Merle, Karl Ulrich Bartz‐Schmidt, Marius Ueffing, Dana Stahl, Torsten Leddig, Martin Bialke, Christopher Hampf, Wolfgang Hoffmann, Sebastian Berthe, Dagmar Waltemath, Peter Walter, Myriam Lipprandt, Rainer Röhrig, Jens Julian Storp, Julian Alexander Zimmermann, Lea Holtrup, Tobias Brix, Andreas Stahl, Nicole Eter

Notice bibliographique

RevueJMIR Medical Informatics · 2024
Typearticle
Langueen
DomaineMedicine
ThématiqueRetinal Imaging and Analysis
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPreprintGermanHealth informaticsInformaticsMedicineSmartwatchOptometryComputer scienceWorld Wide WebEngineeringGeographyNursingPublic healthArchaeologyEmbedded system

Résumé

récupéré en direct d'OpenAlex

Unlabelled: The EyeMatics project, embedded as a clinical use case in Germany's Medical Informatics Initiative, is a large digital health initiative in ophthalmology. The objective is to improve the understanding of the treatment effects of intravitreal injections, the most frequent procedure to treat eye diseases. To achieve this, valuable patient data will be meaningfully integrated and visualized from different IT systems and hospital sites. EyeMatics emphasizes a governance framework that actively involves patient representatives, strictly implements interoperability standards, and employs artificial intelligence methods to extract biomarkers from tabular and clinical data as well as raw retinal scans. In this perspective paper, we delineate the strategies for user-centered implementation and health care-based evaluation in a multisite observational technology study.

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)0,002
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,832
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

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

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.

Tête enseignante Opus0,043
Tête enseignante GPT0,392
Écart entre enseignants0,349 · 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 revueJMIR Medical InformaticsMême sujetRetinal Imaging and AnalysisTravaux en français237 207