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
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.009 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.006 | 0.004 |
| Open science | 0.004 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.050 | 0.020 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".