OP69 Are Artificial-Intelligence-Based Literature Reviews Accepted By Health Technology Assessment Bodies?
Notice bibliographique
Résumé
Introduction Literature reviews (LR) play a crucial role in all health technology assessment (HTA) dossiers, presenting evidence-based value of interventions. There is global exploration of artificial intelligence (AI) to expedite and enhance the efficiency of literature reviews. Our research aimed to identify any existing guidance from HTA bodies regarding the use of AI for conducting literature reviews. Methods We conducted a comprehensive search and review of any published guidance from prominent HTA bodies, including the National Institute for Health and Care Excellence (NICE, England), Scottish Medicines Consortium (SMC, Scotland), National Centre for Pharmacoeconomics (NCPE, Ireland), National Authority for Health (HAS, France), Federal Joint Committee (G-BA, Germany), Institute for Quality and Efficiency in Health Care (IQWiG, Germany), Canadian Agency for Drugs and Technologies in Health (CADTH, Canada), and Pharmaceutical Benefits Advisory Committee (PBAC, Australia). This was done to gain insights into their views regarding the utilization of AI in literature reviews. Additionally, we engaged with HTA representatives, such as NICE, to gain a deeper understanding of their perspectives. Results We found a lack of clear guidance on the use of AI for conducting LRs. NICE has recommended a priority screening technique using machine learning (ML) for identification of a higher proportion of relevant papers at an earlier stage. NICE is currently in the process of developing guidance and is updating its manual in this area. SMC refers readers to NICE methodologies. In its HRB-CICER report, NCPE only acknowledges the potential of ML algorithms for LRs, with no additional information. IQWiG, in its general methods, recommends the use of ML-validated classifiers for identifying randomized controlled trials (RCTs) within bibliographic searches. Conclusions Our research indicates that there is scarce guidance available for the use of AI in LRs for HTA submissions. However, considering the rapidly evolving nature of this field, it is anticipated that guidance documents and manuals will be updated in the near future.
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 | 0,335 | 0,766 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,006 | 0,005 |
| Bibliométrie | 0,033 | 0,030 |
| Études des sciences et des technologies | 0,003 | 0,008 |
| Communication savante | 0,024 | 0,022 |
| Science ouverte | 0,006 | 0,009 |
| Intégrité de la recherche | 0,010 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 0,004 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».