The "Silent" Failures of Scoring CDSS: Challenge in Detecting Malfunctions
Notice bibliographique
Résumé
Defective clinical decision support system (CDSS) could deliver wrong information to clinical workers, which lead wrong decisions during their patient cares and cause unintended adverse consequences. Change point detection methods, which focus on segmenting time series data and using statistical techniques to infer or detect change point locations, have been proposed to identify periods when a CDSS starts exhibiting abnormal behavior. However, we found it may not effectively capture scoring CDSS malfunctions, particularly when applied directly to the daily count of filed scores. For instance, using the Sequential Organ Failure Assessment (SOFA) score extracted from MIMIC-III clinical database as a case study, we observed that its malfunctions were not accurately detected because the scoring tool is designed to assume that missing data indicates a normal condition (assigning a sub score of 0), which may lead to an underestimation of the patient condition and potentially result in incorrect recommendations from downstream automated decision support systems. This malfunction could arise from various factors, such as missing or delayed data entries, inconsistencies in score calculation logic, or system integration errors affecting score transmission. In this study, we demonstrate the Poisson change point model was not able to detect the SOFA CDSS malfunction(s) by monitoring the daily count of SOFA scores. Further analytical approaches need to be explored to enable regular monitoring of this type of scoring CDSS, reducing the burden of manual malfunction detection and improving system robustness.
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 | 0,014 | 0,073 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».