When AI Joins the scope: Canadian endoscopists’ perceptions of NodeAI versus conventional methods for identifying lymph node malignancies in EBUS imaging.
Notice bibliographique
Résumé
This study investigates the potential impact of integrating NodeAI, an AI-assisted tool, into endobronchial ultrasound transbronchial needle aspiration (EBUS-TBNA) procedures for cancer staging and lymph node (LN) biopsy. Using a convergent parallel design mixed-methods approach, nine experienced participants, including thoracic surgeons and pulmonologists in North America, were surveyed and participated in a focus group to assess their perspectives on AI integration into EBUS-TBNA cases. The baseline and endline surveys measured shifts in opinions regarding NodeAI's usability in diagnostic accuracy, procedure time, and ease of use. Qualitative insights were gathered through open-ended questions during the focus group to explore clinicians' views on AI's potential role, while quantitative data was captured using scales/ratings. The study found that, while most participants expressed satisfaction with current EBUS-TBNA practices, concerns around over-reliance on AI, data privacy, and the technology's accuracy surfaced during discussion. However, following exposure to NodeAI, participants' views became more favorable, with an increased likelihood of incorporating AI into clinical practice. Key benefits identified included improved diagnostic speed, reduced false positives/negatives, and potential cost savings. The findings suggest that AI tools like NodeAI could enhance decision-making, reduce procedure time and resources, while also presenting challenges related to workflow integration and overreliance, especially for less experienced individuals.
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 | 0,015 | 0,049 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,009 | 0,005 |
| Communication savante | 0,007 | 0,003 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».