Applications of AI in public health: Improving access to high-quality evidence syntheses
Notice bibliographique
Résumé
Abstract Issue Using the best available evidence is crucial for effective public health practice. Health Evidence™ provides access to high-quality synthesis evidence relevant to public health. As the volume of peer-reviewed published literature grows, maintaining a database of this magnitude is increasingly resource-intensive. Artificial intelligence (AI) can be used to reduce the maintenance burden thereby ensuring decision makers can easily access high-quality synthesized public health evidence. These innovative strategies may be transferable to enhance efficient maintenance of large curated databases of published literature. Description of the problem In 2020, The Health Evidence™ team conducted extensive training and testing of a supervised machine learning application to explore the accuracy of AI-assisted reference de-duplication and relevance screening. Finding promising results, the team implemented these AI-assisted strategies in August 2020. To assess the impact on the overall screening burden and time saved, implementation data was analyzed between November 2020 to 2023. Results For these 3+ years, AI assisted de-duplication and relevance screening was applied to 394,903 search results. The AI assisted de-duplication application removed 31% (n = 123,903) of references as duplicates. From the remaining reference sets (n = 272,253), the AI assisted screening application removed 70% (n = 190,966) of references as not relevant. Quality assurance spot testing found minimal classification errors (n = 1). In total, AI assisted approaches reduced the need for manual screening by 80%, saving approximately 626 hours of manual screening time over three years (or approximately 17 hours/month). Lessons With the reality of limited public health resources, continued access to high-quality synthesis evidence is critical. Innovative strategies using AI-assisted applications improves the feasibility of maintaining a large database of quality-appraised public health synthesis evidence. Key messages • Access to high quality synthesis evidence is critical for evidence-informed decision making. • Artificial Intelligence can be used to efficiently identify evidence syntheses relevant for public health.
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 | 0,434 | 0,763 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,004 |
| Méta-épidémiologie (sens large) | 0,005 | 0,007 |
| Bibliométrie | 0,052 | 0,034 |
| Études des sciences et des technologies | 0,004 | 0,005 |
| Communication savante | 0,025 | 0,016 |
| Science ouverte | 0,008 | 0,021 |
| Intégrité de la recherche | 0,005 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,019 | 0,005 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».