Desired Clinical Applications of Artificial Intelligence in Emergency Medicine: An International e-Delphi Study
Notice bibliographique
Résumé
Abstract Objective Artificial intelligence (AI) in emergency medicine has been increasingly studied over the past decade. However, the implementation of AI requires significant buy-in from end-users. This study explored desired clinical applications of AI by emergency physicians. Methods A 3-round Delphi process was undertaken using STAT59 software. An international expert panel was assembled through purposeful sampling to reflect a diversity in geography, age, time in practice, practice setting, role, and expertise. Items generated in Round 1 were collated by the study team and ranked in Rounds 2 and 3 on a 7-point linear numeric scale of importance. Consensus was defined as a standard deviation of 1.0 or less. Results Of 66 invited experts, 29 completed Round 1, 25 completed Round 2, and 23 completed Round 3. Three statements reached consensus in Round 2 and four statements reached consensus in Round 3, including safe prescribing, guiding choice of drug, adjusting drug doses, identifying risk or prognosis, and reporting/interpreting investigation results. Conclusions Many desired clinical applications of AI in emergency medicine have not yet been explored. Clinical and technological experts should co-create new applications to ensure buy-in from all stakeholders. Specialty organizations can lead the way by establishing local clinical priorities.
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 | 0,086 | 0,083 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,007 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».