Evaluation of latent health risk prediction models: A protocol for a mixed-methods study using clinical triage as a vehicle for comparison and discussion (Preprint)
Notice bibliographique
Résumé
<sec> <title>BACKGROUND</title> Determining clinical urgency and resource allocation within acute patient populations is complex. Tools are being developed to capture global assessments of patient health beyond disease-specific scores, aiming to provide dynamic assessments incorporating both baseline physiological reserve and immediate illness severity </sec> <sec> <title>OBJECTIVE</title> This study evaluates two contrasting approaches to latent health measurement: FI-lab, a transparent algorithmic tool using bottom-up aggregation of laboratory abnormalities, and ETHOS-ARES, a transformer-based model using top-down learning from electronic health records. </sec> <sec> <title>METHODS</title> This two-phase mixed-methods study uses clinical triage scenarios with ≥30 clinicians sampled across hospital roles (physicians, surgeons, critical care nurses, advanced practitioners). Phase 1 compares unaided clinician judgments of severity and clinical urgency against model outputs using Spearman's rank correlation (ρ ≥ 0.70 indicates good agreement as primary outcome). A novel "clinical Turing test" assesses whether model rankings are statistically distinguishable from clinician assessments. Phase 2 allows clinicians to incorporate model outputs into identical tasks, measuring anchoring effects through within-person pre/post comparison. Semi-structured interviews explore clinical utility, trust, and perceived limitations. Case materials derive from MIMIC-IV-ED, presented as slide decks containing emergency department documentation, examination findings, laboratory results, and imaging reports. Qualitative analysis follows the Framework Method with dual independent coding. </sec> <sec> <title>RESULTS</title> Data collection is planned for October-November 2025, with analysis to follow in December 2025. </sec> <sec> <title>CONCLUSIONS</title> We anticipate findings will quantify agreement between model outputs and clinician consensus, measure any anchoring effects from model exposure, and generate insights from qualitative data regarding clinical utility, feasibility, and factors influencing clinician trust and adoption of different approaches to latent health measurement. </sec> <sec> <title>CLINICALTRIAL</title> n/a </sec>
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 | 0,125 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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 ».