Simplificació del treball manual repetitiu : aplicació de la IA per resumir la documentació tècnica dels dispositius mèdics de diagnòstic in vitro en preparació per a la seva presentació reguladora
Notice bibliographique
Résumé
La regulació i aprovació dels Dispositius Mèdics de Diagnòstic In Vitro (IVDs) requereix complir amb estrictes normatives que varien segons la regió, com les de la Food and Drug Administration (FDA) als Estats Units, el Reglament de Dispositius Mèdics de Diagnòstic In Vitro (IVDR) a Europa, Health Canada o els organismes reguladors del Japó. Un element fonamental d’aquest procés és la presentació de l'Informe de Rendiment Analític (APR), que recull els resultats d'estudis sobre la precisió, especificitat, estabilitat i altres característiques analítiques del dispositiu. La preparació de l’APR és un procés manual que implica la recopilació i verificació d’informació detallada de diferents informes d'estudis individuals, seguint una estructura estandarditzada. El present treball desenvolupa una eina web que incorpora un motor d'intel·ligència artificial (IA) per a l'automatització del procés de creació de l’APR. L'eina utilitza Models de Llenguatge de Gran Abast (LLMs) per extreure de manera eficient la informació específica dels resultats dels estudis, organitzant i validant les dades d’acord amb les directrius metodològiques establertes, com les de l'Institut de Normes Clíniques i de Laboratori (CLSI). Això permet reduir la intervenció manual, minimitzar errors i millorar l'eficiència en la preparació de la Documentació Tècnica per a la presentació reguladora. Aquesta eina representa una solució innovadora que agilita el procés de regularització d'IVDs, automatitzant tasques repetitives i optimitzant la creació d'informes, cosa que proporciona un valor afegit als fabricants de dispositius mèdics i contribueix a una major eficiència en la presentació de les sol·licituds regulatòries.
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 | 0,005 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,005 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».