کدام راهنمای گزارش برای پژوهش هوش مصنوعی پزشکی مناسب است؟
TRIPOD+AI، STARD-AI، CONSORT-AI و DECIDE-AI هدف یکسانی ندارند. انتخاب را از سؤال و طراحی مطالعه شروع کنیم.
خواندن یادداشت ←از پرسش خوب،
تا کار بهتر.
آموزش هوش مصنوعی، تازه‌های فناوری، پژوهش و برندینگ پزشکی؛ از شناخت مدل‌های جدید تا کاربرد سنجیدهٔ هوش مصنوعی پزشکی.
با نویسنده آشنا شوید ↖60 یادداشتپژوهش · تجربه · منابع مطالعه
برچسبگذاری دادههای دندانپزشکی؛ جایی که کیفیت مدل آغاز میشود
پیش از انتخاب معماری مدل، باید تعریف برچسب، حل اختلاف ارزیابان و جدایی مجموعهٔ آزمون روشن باشد.
خواندن یادداشت ←
اندازهٔ اثر و فاصلهٔ اطمینان؛ خواندن نتیجه فراتر از یک P-value
چرا «معنادار بودن» به‌تنهایی نتیجه را توضیح نمی‌دهد؟ یک مثال ساده برای خواندن اندازهٔ اثر، عدم قطعیت و اهمیت عملی.
خواندن یادداشت ←برندینگ پزشکی را با چه شاخصهایی ارزیابی کنیم؟
تعداد دنبال‌کننده فقط یک عدد توزیع است. برای ارزیابی محتوا و سایت، فهم مخاطب، کیفیت درخواست‌ها و مسیر دسترسی را هم ببینیم.
خواندن یادداشت ←
پیش از خرید ابزار AI پزشکی، چه مستنداتی بخواهیم؟
دموی جذاب را با پروندهٔ ارزیابی محصول همراه کنیم: کاربرد مجاز، نسخه، دادهٔ آزمون، محدودیت، پشتیبانی و شیوهٔ خروج از سرویس.
خواندن یادداشت ←
توضیح نتیجهٔ AI به بیمار؛ تصویر رنگی نباید جای گفتوگو را بگیرد
در رابط دندانپزشکی، مشخص بودن نقش ابزار و تفاوت مشاهده، احتمال و تصمیم حرفه‌ای به فهم بهتر کمک می‌کند.
خواندن یادداشت ←
نشت داده در پژوهش پزشکی؛ وقتی مدل پیشاپیش پاسخ را دیده است
چرا جداسازی داده در سطح ردیف همیشه کافی نیست؟ نشت میان بیماران، زمان‌ها و مراحل پردازش را با یک مثال تصویربرداری بررسی می‌کنیم.
خواندن یادداشت ←
روایت تجربهٔ بیمار در محتوا؛ اعتماد بدون شکستن حریم خصوصی
تجربهٔ فردی، رضایت برای انتشار و ادعای نتیجهٔ عمومی سه موضوع جدا هستند. چارچوبی برای تصمیم‌گیری تیم محتوای پزشکی.
خواندن یادداشت ←پس از راهاندازی AI پزشکی چه چیزهایی را پایش کنیم؟
نسخهٔ تازه، تغییر داده و تغییر رفتار کاربر می‌توانند عملکرد را عوض کنند. پایش باید فراتر از روشن‌بودن سرویس باشد.
خواندن یادداشت ←