DECIDE-Twin: A Framework for AI-Enabled Digital Twins in Clinical Decision-Making
Notice bibliographique
Résumé
BACKGROUND: AI-enabled digital twins (DTs) are advanced virtual models of a complex real-world system, which have the potential to transform clinical decision-making. Despite the growing interest in such DTs, the literature lacks a unified framework for their development and implementation. OBJECTIVE: This study aims to map the existing knowledge on AI-enabled DTs for clinical decision-making, and develop a comprehensive framework for their development and implementation. METHODS: Informed by frameworks established by Arksey and O'Malley, and the Joanna Briggs Institute, we performed a scoping review of studies on the development and implementation of AI-enabled DTs for clinical decision-making in any healthcare setting. The search strategy was developed by a librarian for three databases from the date of inception until August 2023. We also conducted a grey literature search on Google Scholar. One reviewer screened titles and abstracts, full-text articles, and charted data, and the second reviewer verified them. Quantitative data were summarized using frequency and proportions, and qualitative data were summarized using content analysis. Key steps in DT development were identified to create the DECIDE-Twin framework. RESULTS: Eleven articles were included: seven reviews and four empirical studies. The reviews contained either a framework or information that was used to construct our comprehensive framework. The empirical studies reported the DT development, and one reported a common infrastructure for a wide range of DT applications. CONCLUSION: We developed the DECIDE-Twin framework that could serve as a guide for researchers and practitioners in DT development and implementation for clinical decision-making. Further research is needed to validate and implement this framework for various 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 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 | 0,003 | 0,002 |
| 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».