OP07 Technical Aspects Of Artificial-Intelligence-Based Tools Applied In Health Technology Assessment Processes: A Scoping Review
Notice bibliographique
Résumé
Introduction In the last decade, artificial intelligence (AI) has been increasingly applied in health technology assessment (HTA) to accelerate evidence synthesis, optimize resources allocation, and guarantee timely delivery of trustworthy technologies in health. The aim of the present scoping review is to map AI models applied in HTA, and technical characteristics of AI-based automation and semi-automation applied in HTA. Methods A search strategy containing core expressions “AI” and “HTA” and correlated terms was conducted in nine specialized databases (health and informatics) in February 2022. Inclusion criteria were publications testing AI models applied in HTA. Study selection was performed by independent pairs, with consensus meetings. No filters were applied. Data on year and country of publication, HTA phase, subsets of AI (e.g., machine learning [ML], neural networks), type of algorithm (e.g., support vector machine [SVM], K-nearest neighbors), and performance scale were extracted. Data were analyzed as descriptive frequency statistics. Used metrics will be presented narratively. Results Sixty-one publications were included. The first study identified was published in 2006, and since then the number of publications has been consistently growing, with 11 publications in the year 2021. Canada, USA, and the UK concentrate 72 percent of publications (44 in 61) equally distributed. The most common HTA phase was the evidence synthesis, with 59 studies (96%). The main task performed was study screening/selection (66.6%). The majority of ML models (80.9%) contained two learning nodes or fewer, and applied SVM and decision-tree-based algorithms. Inter-rater agreement, accuracy, and 95 percent recall were the most common scales observed. Conclusions Although recent developments in AI applied to HTA show increasing potentiality, studies are concentrated in the study selection phase of evidence synthesis. Many areas need further development, such as horizon scanning and policymaking processes. Additionally, studies reporting time gain and economic gain outcomes are scarce and should be considered for the development of future studies in the field.
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 | 0,040 | 0,152 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,005 |
| Bibliométrie | 0,038 | 0,038 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,009 | 0,007 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,004 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,002 |
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 ».