Feasibility and Patient Experience of a Pilot Artificial Intelligence-Based Diabetic Retinopathy Screening Program in Northern Ontario
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
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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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) | 0,000 | 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