Feasibility and Patient Experience of a Pilot Artificial Intelligence-Based Diabetic Retinopathy Screening Program in Northern Ontario
Notice bibliographique
Résumé
Purpose To assess the feasibility, implementation, and patient experience of autonomous artificial intelligence-based diabetic retinopathy detection models.Methods This was a prospective cohort study where consenting adult participants previously diagnosed with diabetes were screened for diabetic retinopathy using retinal imaging with autonomous artificial intelligence (AI) interpretation at their routine primary care appointment from December 2022 through October 2023 in Thunder Bay, Ontario. Demographic (age, sex, race) and clinical (type and duration of diabetes, last reported eye exam) data were collected using a data collection form. A 5-point Likert scale questionnaire was completed by participants to assess patient experience following the AI exam.Results Among the 202 participants (38.6% women) with a mean age of 70.8 ± 11.7 years included in the study and screened by AI, the exam was successfully completed by 93.6% (n = 189), with only 1.5% (n = 3) requiring dilating eyedrops. The most common reason for an unsuccessful exam was small pupils with patient refusal for dilating eyedrops (n = 4). Among the participants with successful eye exams, 22.2% (n = 42) had referable diabetic retinopathy detected and were referred to see an ophthalmologist; 32/42 (76.0%) of these attended their ophthalmologist appointment. A total of 184 participants completed the satisfaction questionnaire; the mean score (out of 5) for satisfaction with the addition of an eye exam to their primary care visit was 4.8 ± 0.6.Conclusion Screening for diabetic retinopathy using autonomous artificial intelligence in a primary care setting is feasible and acceptable. This approach has significant advantages for both physicians and patients while achieving very high patient satisfaction.
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 | 0,002 | 0,004 |
| 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 | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 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 ».