Using language models to integrate clinical decision support and note taking: a qualitative study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
<bold>Introduction:</bold> Prior to designing a novel user interface which would integrate clinical decision support from the Acute COPD Exacerbation Prediction Tool (ACCEPT) with physician note-taking, we conducted an exploratory qualitative study to understand physician attitudes, experiences, and expectations for this kind of functionality. <bold>Methods:</bold> We conducted semi-structured interviews with practicing physicians recruited through convenience sampling from five teaching hospitals in Canada and the US. We asked questions about how formal risk assessment is used, experience and trust in prediction models, EHR integration, and dictation practices. We qualitatively analyzed interview transcripts using affinity diagrams to produce themes highlighting relevant topics. <bold>Results:</bold> We interviewed ten physicians (70% female, 4 respirologists, 4 cardiologists, 2 residents) whose clinical experience ranged from 2 to 38 years. Our affinity analysis revealed five high-level themes. All participants were routinely but infrequently using prediction models that required manual data entry outside of the EHR system, mostly to determine malignancy risk for pulmonary nodules, pre-operative mortality risk assessment, or statins eligibility. Reasons for using models included risk communication with patients or colleagues, and automating mundane tasks. Frustration with data organization, retrieval, and letter writing in the EHR system was common. <bold>Conclusions:</bold> Participants were receptive to decision support software interfaces that would simplify data retrieval and letter writing, but were also willing to accept some inconvenience to use a truly useful risk score, especially if they only used it occasionally.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle