Assessing Clinician Consistency in Wound Tissue Classification and the Value of <scp>AI</scp>‐Assisted Quantification: A Cross‐Sectional Study
Notice bibliographique
Résumé
This study investigated the relationship between clinician assessments and the AI-generated scores, highlighting how correlations vary based on clinician expertise. It also explored the proportion of tissue types identified by clinicians relative to AI assessments and assess the inter-clinician agreement in quantifying tissue types, identifying variations based on clinician experience. A cross-sectional survey used purposive, non-random sampling to recruit 50 wound care clinicians. Participants reported their specialisation and experience level before identifying and quantifying granulation, slough, eschar, and epithelialisation in nine wound images. An AI model analysed the same images for comparison. Experienced clinicians and wound care specialists reported higher confidence in assessments. Inter-clinician agreement was moderate-good for granulation and slough (ICC: 0.763-0.762) and moderate-excellent for eschar (ICC: 0.910), but moderate-poor for epithelialisation (ICC: 0.435). Clinicians strongly correlated with AI for granulation, slough, and eschar (r = 0.879, 0.955 and 0.984, respectively). Epithelialisation was more challenging, with a 60% identification rate and moderate correlation with AI (r = 0.579). AI-generated scores aligned with clinician assessments for granulation, slough, and eschar. However, epithelialisation, which is crucial for objectively measuring healing progress, showed greater variability, suggesting that AI could improve the reliability of its assessment, potentially leading to more consistent wound evaluation to guide treatment decisions.
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 | 0,002 | 0,001 |
| 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 | 0,000 | 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 ».