Feasibility of using an automated quality control algorithm for spirometry
Notice bibliographique
Résumé
RATIONALE Spirometry tests that meet quality control criteria are essential for accurate interpretation; however, reviewing individual maneuvers for quality in large population-based studies introduces barriers to achieving this goal.OBJECTIVE The objective of this study was to explore the use of a novel automated artificial intelligence software (ArtiQ.QC) to apply the 2019 American Thoracic Society/European Respiratory Society spirometry quality control criteria to data collected as part of the Canadian Longitudinal Study on Aging (CLSA).METHODS Individual spirometry maneuvers (ie, flow-volume and time data) from the CLSA were imported into ArtiQ.QC. Each maneuver was evaluated for technical acceptability according to the ATS/ERS 2019 standard. Quality grades were compared between those provided by the spirometer software and the ArtiQ.QC grade.MEASUREMENTS AND MAIN RESULTS Of the 21,795 spirometry test sessions, 15,079 (69.2%) were technically acceptable and repeatable (Grade A, B or C) for both forced expiratory volume in 1 s (FEV1) and forced vital capacity (FVC). Of 67,908 maneuvers, 25,598 were deemed technically unacceptable, with 87.8% of these failing to meet end of forced expiration criteria. The proportion of individuals below the lower limit of normal for FEV1 and FVC was lower when ArtiQ.QC evaluation was applied compared with those provided by the software.CONCLUSION AI-based quality control algorithms are a feasible and efficient way to ensure high quality spirometry data in research studies.
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 | 0,028 | 0,080 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».