Real World Imaging Data: Opportunities and Challenges (Preprint)
Notice bibliographique
Résumé
Unlabelled: The amount of data generated in clinical practice is increasing substantially. This has benefited the use of real-world data for real-world evidence in biomedical research. While early real-world evidence efforts focused on structured electronic health record and insurance claims data, advances in analytical methods, such as AI, are expected to further enhance the ability to obtain deeper insights from real-world data. Most recently, real-world imaging data (RWiD) has emerged as a novel and valuable resource. RWiD is enabled by improvements in imaging infrastructure, data standardization, and deidentification technologies. Medical imaging is essential at multiple stages of clinical care, ranging from screening to posttreatment assessment and surveillance. Medical imaging has become a key component of patient management, as it augments clinical decision-making across many medical specialties. RWiD is the retrospective collection of routinely gathered clinical imaging data. Using only radiology reports results in limited information compared to datasets that contain the actual images. Radiology reports primarily focus on clinical decision-making rather than research purposes. Therefore, the actual images add value to real-world datasets. However, using RWiD is challenging due to complex deidentification and harmonization, as well as requirements for file storage, file transfer, and computation. This editorial paper provides an educational overview, including the background, challenges, and opportunities of RWiD, and offers examples of RWiD applications that benefit life sciences and biopharmaceutical use cases.
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 | 0,011 | 0,044 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,012 | 0,009 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,017 | 0,011 |
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 ».