Consensus Between Radiologists, Specialists in Internal Medicine, and AI Software on Chest X-Rays in a Hospital-at-Home Service: Prospective Observational Study
Notice bibliographique
Résumé
Background: Home hospitalization is a care modality growing in popularity worldwide. Telemedicine-driven hospital-at-home (HAH) services could replace traditional hospital departments for selected patients. Chest x-rays typically serve as a key diagnostic tool in such cases. Objective: The implementation, analysis, and clinical assimilation of chest x-rays into an HAH service has not been described yet. Our objective is to introduce this essential information to the realm of HAH services for the first time worldwide. Methods: The study involved a prospective follow-up, description, and analysis of the HAH patient population who underwent chest x-rays at home. A comparative analysis was performed to evaluate the level of agreement among three interpretation modalities: a radiologist, a specialist in internal medicine, and a designated artificial intelligence (AI) algorithm. Results: Between February 2021 and May 2023, 300 chest radiographs were performed at the homes of 260 patients, with the median age being 78 (IQR 65-87) years. The most frequent underlying morbidity was cardiovascular disease (n=185, 71.2%). Of the x-rays, 286 (95.3%) were interpreted by a specialist in internal medicine, 29 (9.7%) by a specialized radiologist, and 95 (31.7%) by the AI software. The overall raw agreement level among these three modalities exceeded 90%. The consensus level evaluated using the Cohen κ coefficient showed substantial agreement (κ=0.65) and moderate agreement (κ=0.49) between the specialist in internal medicine and the radiologist, and between the specialist in internal medicine and the AI software, respectively. Conclusions: Chest x-rays play a crucial role in the HAH setting. Rapid and reliable interpretation of these x-rays is essential for determining whether a patient requires transfer back to in-hospital surveillance. Our comparative results showed that interpretation by an experienced specialist in internal medicine demonstrates a significant level of consensus with that of the radiologists. However, AI algorithm-based interpretation needs to be further developed and revalidated prior to clinical applications.
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 | 0,011 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».