Impact of Introducing Artificial Intelligence on Colonoscopy: A Retrospective Study on Potential Benefits and Drawbacks
Notice bibliographique
Résumé
BACKGROUND AND AIM: Computer-aided detection (CAD) can improve adenoma detection rates (ADRs); however, the impact of its introduction into real-world practice remains unclear. This study investigated the effect of CAD's introduction on colonoscopy in a hospital. METHODS: This retrospective study included 1314 patients who underwent colonoscopy between January and December 2023 at a single facility where CAD was introduced in three of four endoscopy rooms. ADR, polyp detection rate (PDR), and sessile serrated lesion detection rate (SSLDR) were first compared between patients who underwent colonoscopy without CAD before introduction to the facility (pre-intervention non-CAD group) and those who underwent colonoscopy with CAD after introduction (CAD group). Subsequently, cases without CAD were analyzed to evaluate endoscopists' performance by comparing the detection rates between the pre-intervention non-CAD group and patients who underwent colonoscopy without CAD after introduction (post-intervention non-CAD group). RESULTS: ADR (49.3% vs. 31.6%, p < 0.001) and PDR (57.9% vs. 39.8%, p < 0.001) were significantly higher in the CAD group than in the pre-intervention non-CAD group; SSLDR (4.4% vs. 2.8%, p = 0.14) was comparable between groups. ADR (31.6% vs. 13.5%, p < 0.001) and PDR (39.8% vs. 18.2%, p < 0.001) were significantly lower in the post-intervention non-CAD group than in the pre-intervention non-CAD group. CONCLUSIONS: The introduction of CAD-assisted colonoscopy significantly improved ADR and PDR. However, CAD reliance may lead to lapses in attention toward independent lesion detection by endoscopists. It is essential to consider how CAD should be utilized in clinical practice to maximize its benefits.
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 | 0,000 |
| 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 | 0,000 |
| 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 ».