PD11 First Comprehensive Assessment Of Artificial Intelligence At Canada’s Drug Agency: Evidence Review Methods, Lessons Learned, And Next Steps
Notice bibliographique
Résumé
Introduction Canada’s Drug Agency (CDA-AMC) conducted a health technology assessment of RapidAI for detecting ischemic stroke and hemorrhagic stroke to test and learn from its first comprehensive assessment of an artificial intelligence (AI)-enabled health technology. Methods The assessment included a review evaluating the effectiveness, accuracy, and cost-effectiveness of RapidAI for detecting ischemic and hemorrhagic stroke, alongside an implementation review capturing digital infrastructure considerations. Ethics and equity considerations were integrated throughout, informed by literature, patient engagement, and expert input. Checklists and other AI or digital health tools were applied. The Health Technology Expert Review Panel (HTERP), an advisory body to CDA-AMC, reviewed the evidence and developed recommendations on the appropriate use of RapidAI for stroke detection, considering the following domains: unmet clinical need, clinical value, economic considerations, impacts on health systems, and distinct social and ethical considerations. Results Patient input highlighted speed and accuracy in stroke diagnosis. Low certainty clinical evidence suggested that using the AI functionalities of RapidAI to assist diagnoses may result in clinically important time reductions. Its effects on other clinical outcomes were very uncertain. Ethical and equity considerations have implications across the technology life cycle when using RapidAI for detecting stroke; however, little relevant information was identified from the literature. We found no relevant economic evaluations. The implementation review identified key considerations for AI-enabled health technologies for decision-makers. Given the evidence gaps and uncertainty, HTERP could not recommend for or against the use of RapidAI for stroke detection. Conclusions Our appraisal and deliberative processes identified evidence limitations that may be common across many AI-enabled health technologies, identifying challenges that need to be addressed in their evaluation. Based on this experience, for AI evaluations CDA-AMC plans to add AI-specific implementation and other considerations to its evidence reviews and to consider a broader range of information sources.
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 | 0,091 | 0,247 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,005 | 0,008 |
| Bibliométrie | 0,021 | 0,017 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,015 | 0,006 |
| Science ouverte | 0,006 | 0,006 |
| Intégrité de la recherche | 0,007 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,018 | 0,003 |
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 ».