Abstract 4358321: ECG-SMART: A Clinician-Guided AI Dashboard for Occlusion Myocardial Infarction Detection in the Emergency Department
Notice bibliographique
Résumé
Artificial Intelligence (AI)-driven ECG methods are transforming clinical workflows, signaling a shift in ECG analysis research and clinical practice. Adoption in routine care remains limited—largely due to challenges with explainability and poor integration into existing workflows. Combining human expertise with AI has potential to enhance research translation to improve clinical decision-making and patient outcomes. We applied human-computer interaction principles to develop ECG-SMART, a clinician-facing AI dashboard designed to estimate the likelihood of occlusion myocardial infarction (OMI) while intuitively communicating the model’s reasoning. We aimed to refine an ECG-SMART dashboard based on feedback from practicing clinicians through a series of qualitative focus groups (FG) and clinical usability sessions. Guided by user-centered design principles, we conducted 2 rounds of virtual FGs moderated by a FG methodologist. We asked open-ended questions to elicit feedback from clinical end-users on the scope and presentation of information provided by the dashboard prototype. Round 1 consisted of 3 separate FG sessions (paramedics, ED physicians, and cardiologists) who reviewed the prototype. Feedback was used to derive a modified version of the dashboard. Round 2 combined FGs with all available clinicians who participated in Round 1 to further refine the dashboard. All FGs were recorded and transcribed. Transcripts were coded by 3 research team members to identify recurrent patterns until thematic saturation was reached. After resolution of coding discrepancies, codes coalesced into emerging themes resulting in clinician-recommended dashboard changes. Twelve clinicians participated (mean age = 40 years, 25% female, mean clinical experience = 14 years). Five themes emerged: interpretation and clinical context, trust and explainability, AI recommendations and labels, risk stratification and AI scoring, and workflow and dashboard design. Dashboard design changes included, simplified color coding, improved OMI risk score display, enhanced AI prediction explainability and functionality, access to historical 12-lead ECGs, and revision of clinical action recommendation language. Figure 1 details the dashboard evolution. Engaging multidisciplinary clinicians in the design and refinement of an intelligent AI-ECG dashboard bridges the gap between AI developers and target end-users, improving clinical utility and acceptability for widespread clinical implementation.
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 | 0,001 | 0,000 |
| 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 | 0,000 |
| 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 ».