Quantifying Healthcare Provider Perceptions of a Novel Deep Learning Algorithm to Predict Sepsis: Electronic Survey
Notice bibliographique
Résumé
IMPORTANCE: Sepsis is a major cause of morbidity and mortality, with early intervention shown to improve outcomes. Predictive modeling and artificial intelligence (AI) can aid in early sepsis recognition, but there remains a gap between algorithm development and clinical use. Despite the importance of user experience in adopting clinical predictive models, few studies have focused on provider acceptance and feedback. OBJECTIVES: To evaluate healthcare worker perception and acceptance of a deep learning sepsis prediction model in the emergency department (ED). DESIGN, SETTING, AND PARTICIPANTS: COnformal Multidimensional Prediction Of SEpsis Risk (COMPOSER), a deep learning algorithm, is used at two EDs of a large academic medical center to predict sepsis before clear clinical presentation. An internally developed survey following the Checklist for Reporting Results of Internet E-Surveys was distributed to team members who received a COMPOSER alert. ANALYSIS: Mann-Whitney U testing was performed on results stratified by provider experience. RESULTS: A total of 114 responses were received: 76 from doctors of medicine/doctors of osteopathic medicine, 34 from registered nurses, and four from nurse practicioners/physician assistants. Of these, 53% were from providers with fewer than 5 years of experience. Seventy-seven percent of respondents had a positive or neutral perception of the alert's usefulness. Providers with 0-5 years of experience were more likely to expect sepsis after the alert (p = 0.021) and found the alert more useful (p = 0.016) compared with those with 6+ years of experience. Additionally, physicians with 0-5 years of experience were more likely to say the alert changed their patient management (p = 0.048). CONCLUSIONS: Less experienced providers were more likely to perceive benefit from the alert, which was overall received favorably. Future AI implementations might consider tailored alert patterns and education to enhance reception and reduce fatigue.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 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 ».