Diterbitkan
.tp{color:#333333 !important;line-height:1.7 !important;margin:0 0 16px 0 !important}
.th2{color:#0d2137 !important;margin:36px 0 14px 0 !important;line-height:1.3 !important}
.th3{color:#0d2137 !important;margin:24px 0 10px 0 !important;line-height:1.35 !important}
.tl{color:#003057 !important;font-weight:600;text-decoration:underline}
.tt{border-collapse:collapse;width:100%}
.tt th{background-color:#0d2137 !important;color:#ffffff !important;text-align:left;padding:10px 12px !important;font-size:.9rem;border:1px solid #0d2137 !important}
.tt td{color:#333333 !important;padding:9px 12px !important;font-size:.9rem;vertical-align:top;border:1px solid #d8dee6 !important;line-height:1.5}
.tt td.w{background-color:#ffffff !important}
.tt td.g{background-color:#f6f9fc !important}
.tt td.rg{background-color:#f1f8f3 !important}
.tt td.rp{background-color:#fff9ec !important}
.tt td.rn{background-color:#fef1f1 !important}
.tt td.rj{background-color:#f0f4fc !important}
.tt td.vg{background-color:#d9eee0 !important;color:#14532d !important;font-weight:700}
.tt td.vp{background-color:#ffecc2 !important;color:#6b4200 !important;font-weight:700}
.tt td.vn{background-color:#fbd5d5 !important;color:#7f1d1d !important;font-weight:700}
.tt td.vj{background-color:#d6e0f7 !important;color:#1e3a8a !important;font-weight:700}
Daftar periksa DECIDE-AI adalah pedoman pelaporan untuk uji coba skala kecil pertama dari sistem pendukung keputusan kecerdasan buatan pada pasien sungguhan. Diterbitkan pada Mei 2022 di BMJ dan Nature Medicine oleh Vasey dan rekan-rekannya, daftar periksa ini mencantumkan 17 item spesifik AI (28 baris setelah sub-item dihitung) dan 10 item generik, dan meminta detail yang tidak pernah dibutuhkan oleh pedoman uji coba dan model, seperti bagaimana pengguna dilatih, versi perangkat lunak mana yang dijalankan untuk pasien mana, dan apa yang salah. 1,2
Sebagian besar panduan hanya berhenti pada daftar item. Panduan ini melangkah lebih jauh. Setelah daftar periksa itu sendiri, kami menerapkannya baris demi baris pada studi akses terbuka nyata tentang sistem AI bedah, yang diterbitkan pada Oktober 2026, yang menyatakan bahwa studi tersebut mengikuti DECIDE-AI, dengan menyertakan bagian makalah di samping setiap putusan. Daftar periksa DECIDE-AI adalah pendamping tahap awal dari daftar periksa CONSORT-AI kami , dan kami tidak mengulangi materi tersebut di sini.
Dalam Kata Sederhana
Daftar periksa DECIDE-AI adalah daftar berisi 38 baris (28 baris AI dan 10 baris umum) untuk makalah yang melaporkan penggunaan pertama alat AI pada pasien sungguhan. Daftar periksa ini tidak memberi tahu Anda cara menjalankan studi tersebut. Daftar periksa ini memberi tahu Anda apa yang harus dapat ditemukan oleh pembaca, termasuk versi perangkat lunak yang tepat yang digunakan pada setiap pasien, setiap kesalahan, dan bagaimana orang-orang yang menggunakan alat tersebut mengatasinya. Tuliskan lokasi setiap baris di sebelahnya sebelum Anda mengirimkan, dan tuliskan jawaban negatif singkat jika studi tersebut tidak memberikan hasil tertentu.
Apa itu Daftar Periksa DECIDE-AI dan di Mana Posisinya dalam Pedoman Pelaporan AI?
DECIDE-AI adalah singkatan dari Developmental and Exploratory Clinical Investigations of DEcision support systems driven by Artificial Intelligence (Investigasi Klinis Pengembangan dan Eksplorasi Sistem Pendukung Keputusan yang Didorong oleh Kecerdasan Buatan). Daftar periksa DECIDE-AI bersifat spesifik tahap dan bukan spesifik desain. Pedoman ini menargetkan evaluasi langsung, artinya keputusan yang dibuat dengan sistem AI memiliki efek nyata pada perawatan pasien, berbeda dengan pengujian offline atau mode bayangan di mana keputusan tersebut tidak berpengaruh.<sup> 1 </sup> Pedoman ini tidak menetapkan desain studi tertentu, sehingga kohort prospektif, perbandingan non-acak, atau rangkaian kasus semuanya dapat menggunakannya, dan mencakup sistem deteksi, diagnostik, prognostik, dan terapeutik.<sup> 1 </sup>
Pedoman ini berasal dari proses Delphi modifikasi dua putaran yang diikuti oleh pertemuan konsensus virtual. Dari para ahli yang bergabung, 123 menyelesaikan putaran pertama, 138 menyelesaikan putaran kedua, dan 16 menghadiri pertemuan konsensus, dan para penulis melaporkan total 151 ahli dari 18 negara di 20 kelompok pemangku kepentingan.<sup> 1</sup> Daftar periksa ini digambarkan sebagai seperangkat standar pelaporan minimum, dan bukan pengganti persyaratan peraturan.<sup> 1</sup>
Tabel di bawah ini menunjukkan posisi daftar periksa DECIDE-AI di antara pedoman AI. Tabel ini mengikuti struktur peta tahapan dalam makalah aslinya, dengan kata-kata kami sendiri. 1
Tabel 1. Posisi daftar periksa DECIDE-AI di antara pedoman pelaporan AI. Struktur diadaptasi dari Vasey dkk., BMJ 2022.
| Pedoman | Tahap evaluasi | Desain studi yang menjadi targetnya |
|---|---|---|
| TRIPOD-AI (sekarang TRIPOD+AI) | Pengembangan praklinis | Pengembangan dan validasi model prediksi |
| BINTANG-AI | Pengembangan praklinis dan validasi offline | Studi akurasi diagnostik |
| DESEKTIF-AI | Evaluasi klinis langsung tahap awal | Berbagai desain, dengan fitur tambahan seperti perubahan pada sistem, subkelompok yang telah ditentukan sebelumnya, atau kurva pembelajaran. |
| SPIRIT-AI | Evaluasi prospektif komparatif | Protokol uji coba acak sistem AI |
| CONSORT-AI | Evaluasi prospektif komparatif | Laporan uji coba acak sistem AI |
Tiga poin penting untuk pengajuan Anda. Pertama, daftar periksa DECIDE-AI berada di antara pekerjaan praklinis dan uji coba komparatif besar, jadi studi yang telah beralih ke pengacakan harus menggunakan daftar periksa CONSORT-AI dan, untuk protokol, panduan protokol SPIRIT . Panduan CONSORT 2025 kami menjelaskan mengapa CONSORT 2025, dengan 30 itemnya, menggantikan CONSORT 2010. Kedua, daftar periksa DECIDE-AI adalah pedoman pelaporan dan bukan alat penilaian. Ini memeriksa apakah Anda menjelaskan apa yang Anda lakukan, bukan apakah apa yang Anda lakukan itu benar, dan untuk penilaian model prediksi, peninjau menggunakan PROBAST . Ketiga, jika pertanyaan Anda murni tentang akurasi model, bacalah perbandingan STARD dan TRIPOD kami terlebih dahulu, dan gunakan pohon keputusan kami untuk memilih pedoman pelaporan untuk pilihan yang lebih luas.
Sekilas tentang Daftar Periksa DECIDE-AI, Semua 17 Item AI dan 10 Item Umum
Tabel ini meringkas daftar periksa resmi menjadi 38 baris. Angka Arab menandai 17 item spesifik AI dan angka Romawi menandai 10 item umum. Kami memparafrasekan kata-katanya agar tetap singkat, jadi gunakan daftar periksa resmi dari makalah BMJ atau Nature Medicine untuk teks persis yang Anda kirimkan. 1,2
Tabel 2. 38 baris daftar periksa DECIDE-AI, ringkas. Struktur sumber dari Vasey dkk., BMJ 2022.
| Barang | Tema | Apa yang perlu dilaporkan (disusun ulang) |
|---|---|---|
| 1 | Judul | Sebutkan studi tersebut sebagai evaluasi klinis awal dari sistem pendukung keputusan AI dan jelaskan masalah apa yang diatasi. |
| I | Abstrak | Berikan ringkasan terstruktur yang mencakup tujuan penggunaan, jenis algoritma, pengaturan, jumlah pasien dan pengguna, hasil, titik akhir keamanan, faktor manusia, hasil, dan kesimpulan. |
| 2a | Penggunaan yang dimaksudkan, kondisi | Jelaskan kondisi dan masalahnya, praktik standar saat ini, dan kelompok pasien yang dituju. |
| 2b | Penggunaan yang dimaksudkan, pengguna | Jelaskan pengguna yang dituju, posisi yang direncanakan dalam alur perawatan, dan dampak yang diharapkan, termasuk pada hasil pasien. |
| II | Tujuan | Sebutkan tujuannya. |
| III | Tata kelola penelitian | Sebutkan protokol apa pun, nomor registrasi, dan persetujuan etika. |
| 3a | Peserta, pasien | Jelaskan proses rekrutmen, inklusi, dan eksklusi pada tingkat pasien dan data, serta bagaimana jumlah tersebut ditentukan. |
| 3b | Peserta, pengguna | Jawablah pertanyaan yang sama untuk para pengguna sistem AI. |
| 3c | Peserta, pengenalan | Jelaskan langkah-langkah yang diambil untuk membiasakan pengguna, termasuk pelatihan apa pun sebelum penelitian. |
| 4a | Sistem AI, identitas | Sebutkan versi dan tipe algoritma, populasi pelatihan dan kinerja praklinis, atau referensi langsung. |
| 4b | Sistem AI, masukan | Jelaskan data masukan, bagaimana data tersebut diperoleh dan dimasukkan, pra-pemrosesan, dan penanganan data yang hilang atau berkualitas buruk. |
| 4c | Sistem AI, keluaran | Jelaskan hasil keluaran dan bagaimana hasilnya ditampilkan kepada pengguna, idealnya disertai gambar. |
| 5a | Implementasi, pengaturan | Jelaskan di mana sistem AI tersebut dievaluasi. |
| 5b | Implementasi, alur kerja | Jelaskan alur perawatan, kapan sistem tersebut digunakan dalam alur tersebut, dan siapa yang membuat keputusan akhir yang didukung serta bagaimana caranya. |
| IV | Capaian Hasil | Sebutkan hasil utama dan hasil sekunder. |
| 6a | Keselamatan dan kesalahan, definisi | Jelaskan bagaimana kesalahan atau kerusakan signifikan didefinisikan dan diidentifikasi. |
| 6b | Keselamatan dan kesalahan, risiko | Jelaskan bagaimana risiko terhadap keselamatan atau bahaya pasien diidentifikasi, dianalisis, dan dikurangi. |
| 7 | Faktor manusia, metode | Jelaskan alat, metode, atau kerangka kerja faktor manusia, kasus penggunaan, dan pengguna yang terlibat. |
| V | Sampel | Jelaskan metode statistik, analisis tambahan yang telah ditentukan sebelumnya, dan analisis subkelompok. |
| 8 | Etika | Jelaskan metode apa pun yang digunakan untuk mencapai tujuan etika, seperti keadilan algoritmik, dan alasannya. |
| VI | Keterlibatan pasien | Jelaskan bagaimana pasien memengaruhi pertanyaan, desain, atau pelaksanaan penelitian. |
| 9a | Peserta, pasien (hasil) | Laporkan karakteristik dasar pasien dan data yang hilang dalam data masukan. |
| 9b | Peserta, pengguna (hasil) | Laporkan karakteristik dasar pengguna. |
| 10a | Implementasi, paparan | Laporkan paparan pengguna, jumlah penggunaan, dan kepatuhan terhadap implementasi yang dimaksud. |
| 10b | Implementasi, perubahan alur kerja | Laporkan setiap perubahan signifikan pada alur kerja atau jalur perawatan. |
| VII | Hasil utama | Laporkan hasil yang telah ditentukan sebelumnya, beserta kelompok pembanding jika ada. |
| VIII | Subkelompok | Laporkan perbedaan hasil utama berdasarkan subkelompok yang telah ditentukan sebelumnya. |
| 11 | Modifikasi | Laporkan perubahan pada sistem AI atau perangkat keras, waktu dan alasannya, serta setiap perubahan hasil setelah setiap perubahan. |
| 12 | Kesepakatan manusia-komputer | Laporkan persetujuan pengguna dengan AI, alasan keluar dari perjanjian tersebut, dan perubahan pikiran apa pun. |
| 13a | Keselamatan dan kesalahan, kejadian | Cantumkan kesalahan signifikan beserta tingkat kejadiannya, penyebab yang tampak, apakah kesalahan tersebut dapat diperbaiki, dan dampak yang mungkin terjadi pada perawatan. |
| 13b | Keselamatan dan kesalahan, bahaya | Laporkan risiko keselamatan dan bahaya yang diamati, termasuk bahaya tidak langsung. |
| 14a | Faktor manusia, kegunaan | Laporkan evaluasi kegunaan menggunakan standar atau kerangka kerja yang diakui. |
| 14b | Faktor manusia, kurva pembelajaran | Laporkan evaluasi kurva pembelajaran pengguna. |
| 15 | Dukungan untuk penggunaan yang dimaksudkan | Diskusikan apakah hasil tersebut mendukung penggunaan yang dimaksudkan dalam pengaturan klinis. |
| 16 | Keamanan dan kesalahan, diskusi | Diskusikan profil keamanan, kesalahan dan bahaya, implikasinya, dan bagaimana hal tersebut dapat dikurangi. |
| IX | Kekuatan dan keterbatasan | Diskusikan kekuatan dan keterbatasannya. |
| 17 | Ketersediaan data | Sebutkan apakah dan bagaimana data dan kode tersedia. |
| X | Konflik kepentingan | Ungkapkan sumber pendanaan, peran pemberi dana dan perusahaan, serta konflik kepentingan pribadi untuk setiap penulis. |
Perhatikan berapa banyak baris yang berada di bawah kategori keselamatan, kesalahan, dan faktor manusia. Baris 3c, 6a, 6b, 7, 11, 12, 13a, 13b, 14a, 14b, dan 16 secara bersama-sama mencakup 11 dari 28 baris AI, yang mencerminkan fokus pedoman pada keselamatan dan sisi manusia dari sistem tersebut.
Apa yang Membuat Daftar Periksa DECIDE-AI Berbeda dari CONSORT-AI dan TRIPOD+AI?
Makalah asli tersebut mencantumkan tantangan metodologis yang muncul segera setelah sistem AI bertemu dengan klinik, dan masing-masing tantangan tersebut dipetakan ke baris yang akan Anda diminta untuk lengkapi. 1 Empat di antaranya mengubah cara penulisan manuskrip.
Faktor manusia merupakan bagian dari intervensi (baris 3c, 7 dan 14)
Daftar periksa DECIDE-AI memperlakukan sistem AI dan penggunanya sebagai dua bentuk kecerdasan yang berkolaborasi, sehingga bagaimana orang menggunakan alat tersebut dilaporkan sebagai hasil dan tidak diserahkan kepada diskusi. Baris 7 menanyakan metode faktor manusia apa yang digunakan, baris 14a menanyakan evaluasi kegunaan terhadap standar yang diakui, dan baris 14b menanyakan kurva pembelajaran. Sebuah studi yang menggabungkan kuesioner, observasi, dan wawancara adalah desain penelitian metode campuran , dan aturan integrasi yang sama berlaku saat Anda menuliskannya. Serangkaian uji coba pertama pada manusia juga memiliki semangat yang mirip dengan studi percontohan yang kami uraikan di tempat lain, dengan tujuan kelayakan dan penyempurnaan.
Sistem diperbolehkan untuk berubah (baris 4a dan 11)
Dalam uji coba obat, produknya sudah tetap. Dalam pengembangan AI tahap awal, perangkat lunak, perangkat keras, dan antarmuka pengguna sering kali direvisi antar pasien. Baris 4a menanyakan versi, dan baris 11 menanyakan setiap perubahan, kapan terjadi, mengapa, dan apa yang terjadi pada hasilnya setelahnya. Tanpa catatan tersebut, pembaca tidak dapat mengetahui sistem mana yang menghasilkan hasil tertentu.
Kesalahan terdapat pada data (baris 6, 13 dan 16)
Pedoman tersebut meminta penulis untuk mendefinisikan kesalahan signifikan terlebih dahulu, mencantumkan setiap kesalahan yang terjadi beserta tingkat dan penyebab yang tampak, menyatakan apakah kesalahan tersebut dapat diperbaiki, dan membahas implikasinya terhadap perawatan pasien.<sup> 1</sup> Kerangka kerja ini mencerminkan studi obat fase 1 dan 2, di mana keamanan adalah pertanyaan utama. Hal ini juga mencegah pergeseran dataset, di mana perbedaan kecil antara data pelatihan dan data klinis dapat mengubah kinerja.<sup> 1</sup>
Kesepakatan antara manusia dan AI dilaporkan (baris 12)
Baris ke-12 dari daftar periksa DECIDE-AI menanyakan seberapa sering pengguna setuju dengan sistem, mengapa mereka menyimpang dari sistem tersebut, dan apakah AI mengubah pendapat siapa pun. CONSORT-AI dan TRIPOD+AI menanyakan tentang interaksi pengguna dan keahlian yang dibutuhkan pengguna, tetapi kami tidak menemukan baris di keduanya yang menanyakan tingkat persetujuan dan alasan penyimpangan dari keluaran AI. Untuk makalah yang berfokus pada model, panduan daftar periksa TRIPOD+AI kami mencakup pelaporan yang dilakukan lebih awal dalam alur kerja.
Contoh Penerapan Daftar Periksa DECIDE-AI pada Studi Akses Terbuka Nyata
Untuk menunjukkan penggunaan daftar periksa, kami memberi skor pada satu makalah yang diterbitkan. Khan dan kolega melaporkan evaluasi pertama pada manusia tentang segmentasi anatomi AI waktu nyata selama operasi hipofisis endoskopi, di Pituitary pada Oktober 2026. Makalah ini diterbitkan di bawah lisensi CC BY 4.0, itulah sebabnya kami dapat mengutipnya dan mereproduksi dua gambarnya. Kami mengkonfirmasi lisensi tersebut di tiga tempat, yaitu kolom lisensi versi rekaman Crossref, kolom lisensi Europe PMC, dan izin JATS dari teks lengkapnya. 3
Kami memilihnya karena alasan praktis. Ini adalah makalah nyata yang menerapkan daftar periksa DECIDE-AI, dengan desain IDEAL Tahap 1, studi terdaftar, delapan pasien, dan tim bedah yang terdiri dari empat pengguna. Makalah ini juga menyertakan daftar periksa DECIDE-AI yang telah diisi sebagai Materi Tambahan 2. Kami menilai teks artikel terlebih dahulu dan membandingkannya dengan daftar periksa penulis setelahnya, sehingga penilaian di bawah ini merupakan pembacaan independen dari teks lengkap. Kerangka kerja IDEAL, bagi pembaca yang belum mengetahuinya, adalah jalur bertahap untuk mengevaluasi inovasi bedah. 4
Dalam penelitian ini, model penglihatan komputer menggambarkan sella dan arteri karotis pada monitor sekunder di samping tampilan bedah yang tidak diubah, dan tim bedah mengaktifkan overlay tersebut dengan pedal kaki. Registrasi penelitian ini tercantum di ClinicalTrials.gov , dan teks lengkapnya tersedia di PubMed Central.
Cara membaca putusan
Dilaporkan berarti baris tersebut dijawab dalam teks. Sebagian dilaporkan berarti beberapa elemen ada dan yang lainnya hilang. Tidak ditemukan berarti kami tidak dapat menemukannya dalam teks lengkap dan dua suplemen yang dapat kami baca. Penilaian subjektif berarti seorang peninjau yang wajar dapat memberi skor pada baris tersebut dengan cara apa pun, dan catatan tersebut menjelaskan alasannya. Ini adalah pembacaan teks oleh Editverse dan bukan penilaian daftar periksa resmi DECIDE-AI.
Tabel 3. Baris daftar periksa DECIDE-AI yang diberi skor berdasarkan Khan et al., Pituitary 2026 (CC BY 4.0). Editverse membaca teks lengkapnya.
| Barang | Di mana harus mencari di koran | Apa yang dilaporkan oleh surat kabar tersebut | Putusan |
|---|---|---|---|
| 1 | Judul | Judul tersebut menyebutkan evaluasi pertama pada manusia tentang segmentasi anatomi berbantuan AI secara real-time dalam bedah saraf. Kata-kata "dukungan keputusan" tidak muncul. | Keputusan yang harus diambil |
| I | Abstrak | Disusun dengan empat bagian. Memberikan tipe algoritma (transformator visi turunan DINOv3), lokasi penelitian di satu pusat, delapan pasien, hasil, dan temuan utama. Jumlah pengguna dan skor skala tidak disebutkan. | Sebagian dilaporkan |
| 2a | Latar Belakang, paragraf 1 sampai 3 | Makalah ini menguraikan kesalahan navigasi dalam operasi endoskopi hipofisis sebagai risiko keselamatan pasien, menyebutkan panduan pencitraan yang ada, dan mendefinisikan populasi dalam Metode sebagai orang dewasa yang menjalani operasi transsphenoidal endoskopi elektif untuk adenoma hipofisis. | Dilaporkan |
| 2b | Latar belakang, paragraf penutup, dan Kekuatan dan keterbatasan | Pengguna sistem ini adalah tim bedah dan antarmuka dibangun berdasarkan kebutuhan ahli bedah. Paragraf Keterbatasan kemudian menyatakan bahwa sistem ini "awalnya diterapkan sebagai alat pelatihan dan pendidikan, bukan sebagai sistem pendukung keputusan utama", sehingga peran yang dimaksudkan baru terlihat jelas di bagian akhir. | Keputusan yang harus diambil |
| II | Latar Belakang, paragraf penutup, dan Metode, Gambaran Umum | Tujuannya adalah untuk menilai kelayakan segmentasi anatomi selama operasi endoskopi hipofisis langsung sambil meningkatkan sistem secara iteratif. | Dilaporkan |
| III | Metode, Gambaran Umum | Memberikan nomor registrasi dan referensi etika (IRAS 127474) dengan persetujuan. Teks tersebut menyatakan bahwa penelitian ini "terdaftar di basis data uji klinis (NCT07568366; terdaftar 5 Mei 2026)". Kami tidak menemukan tanggal perekrutan, sehingga pembaca tidak dapat mengetahui apakah registrasi dilakukan sebelum kasus pertama, dan tidak ada kutipan protokol terpisah. | Sebagian dilaporkan |
| 3a | Metode, Prosedur studi pembuktian konsep, dan Hasil, Gambaran Umum | Enam pasien direncanakan, kriteria pengecualian dicantumkan dan sampel digambarkan sebagai "kohort pengembangan kecil yang telah ditentukan sebelumnya, bukan sampel yang memiliki kekuatan statistik yang memadai". Hasil kemudian melaporkan delapan pasien berturut-turut yang direkrut, dan Diskusi merujuk pada "enam dari delapan kasus yang direncanakan". Perubahan dari enam menjadi delapan tidak dijelaskan. Kelayakan tingkat data tidak dijelaskan. | Keputusan yang harus diambil |
| 3b | Metode, Prosedur studi pembuktian konsep, dan Hasil, Gambaran Umum | Satu dokter bedah dan tim yang bertugas melakukan setiap kasus, dan Results menyebutkan empat pengguna (tiga dokter bedah dan satu perawat bedah). Bagaimana pengguna dipilih, kelayakan mereka, dan bagaimana jumlahnya ditentukan tidak disebutkan. | Sebagian dilaporkan |
| 3c | Metode, Prosedur studi pembuktian konsep | Tim tersebut diberi orientasi menggunakan simulator berakurasi tinggi dengan "penjelasan standar mengenai tujuan penggunaan, interpretasi hasil, dan keterbatasan sistem". | Dilaporkan |
| 4a | Metode, Gambaran umum sistem | Model ini menggunakan arsitektur ViT-B yang dilatih pada 2157 frame dari 110 pasien dengan pembagian tingkat pasien (97 pelatihan, 13 pengujian). Nilai Dice yang ditahan adalah 86.4% untuk sella dan 21.8% untuk arteri karotis, dengan recall arteri karotis 13.6%. Versi model V1, V2, V2.1, dan V2.2 diberi label pada Tabel 1 dalam makalah ini. "Tidak ada ambang batas kinerja formal yang ditentukan sebelumnya", meskipun nilai Dice mendekati 70% untuk sella dianggap sebagai nilai minimum yang wajar. | Dilaporkan |
| 4b | Metode, Gambaran umum sistem | Input video dijelaskan secara detail, 1920 x 1080 piksel pada 24 frame per detik dari tumpukan endoskop melalui kartu penangkap. Cara penanganan frame berkualitas rendah selama penggunaan langsung tidak dijelaskan. | Sebagian dilaporkan |
| 4c | Metode, Gambaran umum sistem, dan Gambar 1 dan 2 dari makalah ini | Garis luar sebagai pengganti masker yang terisi penuh, overlay dinonaktifkan secara default dan diaktifkan dengan pedal kaki, persentase kepercayaan yang dihaluskan di samping setiap label, dan latensi ujung-ke-ujung 50 hingga 100 ms dalam pengujian pra-operasi. | Dilaporkan |
| 5a | Metode, Gambaran umum sistem, dan Prosedur pembuktian konsep | Sebuah pusat tunggal, Rumah Sakit Nasional untuk Neurologi dan Bedah Saraf, dengan lapisan tambahan pada monitor sekunder yang sudah ada dari susunan endoskop. | Dilaporkan |
| 5b | Metode, Prosedur studi pembuktian konsep | Operasi berlangsung seperti biasa pada tampilan utama yang tidak berubah, dan overlay digunakan selama orientasi anatomi sebelum sellotomi dan durotomi. Siapa yang membuat keputusan akhir tersirat (ahli bedah, dengan overlay dimatikan secara default) dan tidak dinyatakan secara eksplisit. | Keputusan yang harus diambil |
| IV | Metode, pengumpulan data, analisis, dan iterasi sistem. | Hasil utama mencakup pembuktian konsep, kelayakan (kuesioner FIM) dan pengamatan keamanan. Hasil sekunder mencakup manfaat pendidikan dan umpan balik pengguna (AIM, SUS dan STIAS). | Dilaporkan |
| 6a | Metode, Prosedur studi pembuktian konsep | Pemeriksaan pra-kasus, "pemeriksaan fungsionalitas standar telah dilakukan", dengan analisis akar penyebab dari setiap kegagalan, ditambah laporan latensi subjektif. Tidak ada definisi formal tentang kesalahan atau malfungsi yang signifikan dan tidak ada penilaian tingkat keparahan. | Sebagian dilaporkan |
| 6b | Metode, Pengumpulan Data, dan Keterangan Gambar 1 pada makalah ini | Keamanan dipantau melalui penghitungan kejadian gangguan ahli bedah dan gangguan alur kerja pada video ruang operasi, OSATS yang disamarkan dan waktu operasi dibandingkan dengan kohort retrospektif yang sesuai, serta hasil klinis rutin. Alur data diarahkan untuk menghindari terganggunya informasi utama tentang operasi. | Dilaporkan |
| 7 | Metode, Pengumpulan data | Menggunakan instrumen standar (FIM, AIM, SUS, STIAS, MAILS) ditambah catatan observasi terstruktur oleh seorang peneliti. Pengguna adalah para ahli bedah dan perawat yang berinteraksi dengan sistem, dan desain antarmuka didasarkan pada studi simulasi sebelumnya. | Dilaporkan |
| V | Metode, Pengumpulan Data, dan Materi Tambahan 1 | Statistik ringkasan dan analisis tematik data kualitatif. Materi Tambahan 1 menyatakan bahwa tidak dilakukan pengujian hipotesis formal karena ukuran sampel kecil. | Dilaporkan |
| 8 | Teks lengkap | Tidak ada penyebutan tentang keadilan algoritmik atau metode terkait etika apa pun dalam artikel tersebut. Daftar periksa penulis sendiri menyatakan bahwa hal ini tidak dilaporkan tetapi dibahas dalam karya sebelumnya dari pusat yang sama. | Tidak ditemukan |
| VI | Teks lengkap | Tidak ada pernyataan mengenai keterlibatan pasien dalam artikel tersebut. Daftar periksa penulis menyebutkan bahwa keterlibatan pasien direncanakan untuk studi di masa mendatang. | Tidak ditemukan |
| 9a | Hasil, Gambaran Umum, dan Tabel 1 | Usia, jenis kelamin, diagnosis, dan kategori ukuran tumor diberikan per kasus. Tidak ada pernyataan tentang data yang hilang dalam data masukan, kecuali untuk dua kasus di mana sistem tidak dimulai. | Sebagian dilaporkan |
| 9b | Hasil, Gambaran Umum | Empat pengguna dengan tingkat pelatihan (satu dokter spesialis, satu dokter residen senior, satu dokter residen, satu perawat bedah), kelompok usia, jenis kelamin, dan literasi AI (median MAILS 6.1, IQR 5 hingga 7.1). | Dilaporkan |
| 10a | Hasil, Gambaran Umum | Sistem tersebut digunakan dalam enam dari delapan kasus, di empat dari lima sesi operasi. "Penggunaan sistem yang bermakna terbatas pada fase sella, sesuai dengan yang direncanakan". Paparan per pengguna dan waktu pengaktifan overlay tidak disebutkan. | Sebagian dilaporkan |
| 10b | Hasil, Keamanan, dan Gambar 3 dari makalah tersebut | Tidak ada "kejadian yang menyebabkan gangguan signifikan pada ahli bedah utama atau gangguan alur kerja tim bedah". Gambar 3 dalam makalah tersebut juga mencatat bahwa hanya satu perawat yang terlibat dengan sistem dan berencana untuk memindahkan atau menambahkan layar. | Dilaporkan |
| VII | Hasil, Kelayakan, Keamanan, Umpan balik implementasi yang lebih luas, dan Tabel 1 | Sebagian besar hasil yang telah ditentukan sebelumnya dilaporkan dengan median dan IQR (FIM 4.8, AIM 4, SUS 78, STIAS 4.3 dari 7). Hasil pendidikan, yang diukur dengan kuesioner berbasis Kirkpatrick, hanya muncul sebagai pernyataan bahwa semua peserta melihat potensi pendidikan. Dalam versi Tabel 1 yang kami baca, sel FIM kosong untuk kasus 6 dan 8. | Sebagian dilaporkan |
| VIII | Teks lengkap | Tidak ada subkelompok yang telah ditentukan sebelumnya yang dijelaskan, jadi baris tersebut mungkin tidak berlaku. Daftar periksa penulis menyatakan bahwa hal itu tidak dilaporkan karena ini adalah studi IDEAL Tahap 1 yang kecil. | Keputusan yang harus diambil |
| 11 | Hasil, Iterasi perangkat, Tabel 1 dan Gambar 3 dari makalah | Gambar 3 dalam makalah ini mencantumkan, berdasarkan sesi operasi, masalah yang ditemukan dan perubahan yang dilakukan untuk model AI, perangkat keras, antarmuka, dan implementasi, dan Tabel 1 memberikan versi model per kasus. Perubahan hasil setelah setiap versi bersifat kualitatif (misalnya, karotis "lebih akurat dan konsisten daripada sesi sebelumnya"), dan tidak ada data Dice yang dilaporkan untuk versi selanjutnya. | Keputusan yang harus diambil |
| 12 | Hasil, Tabel 1, dan Kekuatan dan keterbatasan | Tabel 1 mencatat keselarasan ahli bedah-AI per kasus dalam kata-kata. Tidak ada penghitungan ketidaksepakatan, alasan penyimpangan dari tumpang tindih atau perubahan pikiran, dan penulis mengakui "kurangnya perhatian diberikan pada contoh-contoh di mana model berpotensi mengungguli manusia atau secara positif mengubah keputusan mereka". | Sebagian dilaporkan |
| 13a | Hasil, Gambaran Umum, Keamanan, dan Iterasi Perangkat | Dua dari delapan kasus (kasus 2 dan 3) hilang akibat satu kegagalan boot setelah reboot, yang diperbaiki melalui diskusi dengan produsen, perubahan entri boot, dan pembaruan firmware. "Ini adalah kesalahan tingkat platform, bukan kegagalan aplikasi CVAI." Kejadian lain termasuk garis luar sella positif palsu di atas arteri karotis, distorsi overlay oleh instrumen, dan latensi yang dirasakan sekitar 100 ms dalam satu kasus. | Dilaporkan |
| 13b | Hasil, Keamanan | Tidak ada komplikasi intraoperatif, termasuk cedera vaskular atau saraf. Dua pasien mengalami hiponatremia yang memerlukan pengobatan, satu pada kasus tanpa sistem (kasus 2) dan satu dengan sistem (kasus 5). Rata-rata OSATS fase sella pada enam kasus yang diterapkan adalah 27.2 dari 30, dibandingkan dengan 28.6 pada kohort retrospektif. | Dilaporkan |
| 14a | Hasil, umpan balik implementasi yang lebih luas, dan faktor manusia | Kemudahan penggunaan dilaporkan dengan Skala Kemudahan Penggunaan Sistem (median 78, IQR 65 hingga 79), bersamaan dengan penerimaan (AIM) dan kepercayaan (STIAS). | Dilaporkan |
| 14b | Teks lengkap | Tidak ada analisis kurva pembelajaran. Daftar periksa penulis menyebutkan desain IDEAL Tahap 1 sebagai alasannya, dan bagian Diskusi mencantumkan kurva pembelajaran untuk studi selanjutnya. | Tidak ditemukan |
| 15 | Diskusi, Temuan Utama, dan Kesimpulan | Menyatakan bahwa segmentasi waktu nyata dapat dilakukan dalam operasi langsung, bahwa sebagian besar keterbatasan dapat diperbaiki, dan bahwa rangkaian studi tunggal yang lebih besar (IDEAL Tahap 2a) adalah langkah selanjutnya. | Dilaporkan |
| 16 | Bagian Diskusi, Temuan Utama, dan Tinjauan Pustaka | Makalah ini menyebutkan garis luar positif palsu di atas arteri karotis dan distorsi tumpang tindih oleh instrumen sebagai bahaya utama, dan Gambar 3 dalam makalah ini menjabarkan mitigasi yang direncanakan, termasuk menyembunyikan tumpang tindih di bawah ambang batas kepercayaan. | Dilaporkan |
| IX | Diskusi, Kekuatan dan keterbatasan | Menyebutkan pusat tunggal, tim bedah tunggal, dan seri kecil, fokus pada kesalahan AI, dan penerapannya sebagai alat pelatihan. | Dilaporkan |
| 17 | Bagian akhir, Ketersediaan data | Pernyataan tersebut berbunyi, "Tersedia atas permintaan yang wajar dan tunduk pada persetujuan institusional". Tidak ada yang disebutkan tentang kode atau akses ke model tersebut. | Sebagian dilaporkan |
| X | Bagian Penutup, Pendanaan, Konflik Kepentingan, dan Ucapan Terima Kasih | Sumber pendanaan, kepemilikan saham pribadi, dan pekerjaan di perusahaan komersial diumumkan. Medtronic, NVIDIA, dan Encord diberi ucapan terima kasih atas kerja sama mereka, tetapi peran perusahaan-perusahaan ini dan para pemberi dana tidak dijelaskan. | Sebagian dilaporkan |
Dari 38 baris, kami memberi skor 18 sebagai Dilaporkan, 11 sebagai Sebagian dilaporkan, 6 sebagai Keputusan juri, dan 3 sebagai Tidak ditemukan. Tiga baris Tidak ditemukan (8, VI, dan 14b) adalah baris yang ditandai sendiri oleh penulis sebagai tidak dilaporkan dalam daftar periksa mereka, beserta alasannya, dan baris VIII adalah baris keempat yang mereka tandai. Makalah ini kuat pada bagian-bagian yang ingin diungkapkan oleh DECIDE-AI, yaitu kesalahan, modifikasi, dan kegunaan, dan kekurangannya terletak pada detail tata kelola, jumlah peserta, data dan kode, serta peran perusahaan.
Apa yang Dapat Dipelajari dari Contoh yang Diberi Catatan tentang Daftar Periksa DECIDE-AI
Sebutkan angka yang direncanakan dan angka aktual, dan jelaskan mengapa angka-angka tersebut berbeda.
Baris 3a menanyakan bagaimana jumlah pasien ditentukan. Metode merencanakan enam pasien, Hasil merekrut delapan, dan Diskusi menyebut enam dari delapan penempatan sebagai kasus yang direncanakan. Setiap pernyataan mungkin benar, tetapi pembaca tidak dapat menyelaraskannya tanpa kalimat yang menjelaskan mengapa target berubah. Dalam seri tahap awal, di mana sampelnya kecil karena desain, angka adalah hal pertama yang diperiksa oleh peninjau.
Tuliskan jawaban negatif, seperti yang dilakukan para penulis.
Daftar periksa tambahan penulis mencatat baris 8, VI, VIII, dan 14b sebagai tidak dilaporkan, masing-masing dengan alasan singkat seperti desain IDEAL Tahap 1. Itu adalah praktik yang baik, dan itulah yang diinginkan pedoman, karena alasan yang dinyatakan lebih baik daripada yang kosong. Namun, alasan-alasan tersebut berada di dalam lampiran, sehingga pembaca artikel saja tidak melihatnya. Satu kalimat dalam paragraf keterbatasan akan menyampaikan informasi yang sama ke dalam makalah.
Catat setiap versi, seperti yang ditunjukkan pada Gambar 3 dalam makalah tersebut.
Baris 11 menanyakan waktu dan alasan setiap perubahan serta hasil setelahnya. Gambar 3 dalam makalah ini adalah model ringkas dari dua yang pertama, dengan satu kolom untuk setiap sesi operasi dan satu baris untuk setiap model AI, antarmuka pengguna, perangkat keras, dan implementasi. Bagian Metode menambahkan bahwa model tersebut dilatih ulang "menggunakan data dari semua 110 pasien dan setiap pasien berikutnya yang termasuk dalam uji coba". Ketika data pelatihan bertambah dengan setiap kasus, baris 4a paling baik dipenuhi dengan memberikan ukuran pelatihan untuk setiap versi berlabel.
Definisikan kesalahan signifikan sebelum kasus pertama.
Baris 6a menanyakan bagaimana kesalahan signifikan didefinisikan. Contoh tersebut menjalankan pemeriksaan fungsionalitas pra-kasus dan analisis akar penyebab kegagalan, yang memang tepat, tetapi tidak menyebutkan sebelumnya apa yang dianggap sebagai kesalahan signifikan. Hal ini penting di sini karena garis luar sella pada model pertama meluas ke arteri karotis (zona aman di atas zona terlarang pada gambar di atas), pola yang akan dianggap paling berbahaya oleh seorang ahli bedah, dan kelas arteri karotis itu sendiri lemah dalam pengujian praklinis (Dice 21.8%, recall 13.6%). Definisi satu baris, seperti overlay apa pun yang menempatkan garis luar yang aman di atas struktur terlarang, akan memungkinkan pembaca untuk menghitung kejadian dengan cara yang sama seperti yang dilakukan tim.
Hitung kesepakatan, jangan hanya mendeskripsikannya.
Baris ke-12 adalah bagian di mana makalah AI tahap awal paling sering tetap ambigu. Contoh tersebut mencatat keselarasan per kasus dalam kata-kata, misalnya sella akurat dan carotid hanya sebagian benar. Penghitungan sederhana per struktur dan per kasus, dengan alasan untuk setiap penyimpangan dari tumpang tindih, mengubah pengamatan yang sama menjadi data. Para penulis sendiri yang menyebutkan celah ini, mencatat bahwa kasus-kasus di mana model membantu pengambilan keputusan kurang mendapat perhatian.
Sebutkan apa yang dilakukan perusahaan dan para pemberi dana.
Baris X menanyakan peran para penyandang dana dan perusahaan mana pun. Contoh tersebut menyatakan kepemilikan saham dan jumlah karyawan dengan jelas, dan berterima kasih kepada tiga perusahaan atas kolaborasinya, tetapi tidak menyebutkan kontribusi masing-masing perusahaan. Satu kalimat tentang siapa yang menyediakan perangkat keras, platform perekaman, dan alat anotasi, dan apakah ada di antara mereka yang melihat manuskrip tersebut, melengkapi baris tersebut. Untuk baris 17, pernyataan kode dan model harus ditempatkan di samping pernyataan data, meskipun jawabannya adalah bahwa keduanya tidak dapat dibagikan.
Lakukan pengecekan konsistensi antara abstrak dan tabel.
Abstrak tersebut melaporkan bahwa sistem tersebut menunjukkan "akurasi segmentasi sella tingkat piksel waktu nyata yang dapat diterima". Dalam Hasil, akurasi dalam penggunaan langsung muncul sebagai catatan penyelarasan kualitatif dalam Tabel 1, tanpa akurasi langsung kuantitatif. Kolom FIM dalam Tabel 1, seperti yang kami baca, kosong untuk dua dari enam kasus yang diterapkan sementara teks memberikan nilai median. Semua ini tidak mengubah temuan, dan semuanya mudah diperbaiki sebelum pengajuan.
Cara Melengkapi Daftar Periksa DECIDE-AI Sebelum Anda Mengirimkan
Prosedur di bawah ini berlaku untuk manuskrip yang sudah selesai dan pengajuan daftar periksa DECIDE-AI, dan dua langkah pertama akan lebih efektif jika Anda melakukannya saat studi masih dalam tahap perencanaan.
- Unduh daftar periksa resmi Ambil artikel dari BMJ atau Nature Medicine dan cantumkan tanggal versi dalam nama file Anda.
- Rencanakan pembelajaran di sekitar baris-baris tersebut. sehingga pengenalan (3c), definisi kesalahan (6a), log perubahan (11) dan instrumen kegunaan (14a) ada dalam protokol sebelum pasien pertama.
- Tentukan apa yang berlaku dengan menandai baris yang tidak berlaku, seperti subkelompok atau kurva pembelajaran, dan tulis alasannya dalam manuskrip serta dalam daftar periksa.
- Isi setiap baris daftar periksa DECIDE-AI dengan lokasi. Gunakan nomor halaman dan baris dari berkas pengajuan, dan tulis jawaban negatif singkat untuk setiap baris yang tidak Anda kerjakan.
- Cocokkan semua angka Meliputi abstrak, Metode, Hasil, tabel dan gambar, dimulai dengan pasien dan pengguna yang direncanakan dan direkrut.
- Tambahkan log versi dalam bentuk tabel atau gambar, beserta tanggal, alasan, dan dampak dari setiap perubahan pada model, perangkat keras, atau antarmuka.
- Hitung kesalahannya Berdasarkan jenisnya, beserta angka kejadian, penyebab, dan apakah masing-masing dapat diperbaiki, serta diskusikan apa arti masing-masing bagi perawatan pasien.
- Data negara bagian, kode, dan peran perusahaan di bagian akhir buku, termasuk siapa yang memasok perangkat keras, perangkat lunak, dan alat perekaman.
Desain campuran juga membutuhkan praktik survei yang baik, dan panduan kami tentang desain kuesioner dalam studi epidemiologi membantu dalam hal kegunaan dan penerimaan instrumen. Jika sistem tersebut adalah alat prediksi yang dibangun berdasarkan data rutin, panduan kami tentang implementasi AI dalam perawatan kesehatan memberikan konteks yang lebih luas, dan seorang mahasiswa yang memetakan bab tesis ke pedoman yang tepat dapat menggunakan panduan pedoman pelaporan disertasi medis . Untuk bagian observasional dari rangkaian klinis, panduan STROBE tetap menjadi pendamping standar.
Tahap selanjutnya setelah daftar periksa DECIDE-AI adalah uji coba komparatif. Setelah mencapai tahap ini, lanjutkan ke daftar periksa CONSORT-AI dan panduan protokol SPIRIT . Makalah panduan tersebut bersifat akses terbuka, dan registri untuk studi contoh tersebut ada di ClinicalTrials.gov . Kerangka kerja IDEAL yang selaras dengan DECIDE-AI dijelaskan oleh IDEAL Collaboration dan dalam pembaruan tahun 2019 di Annals of Surgery . 4
Alat Riset Gratis dari Editverse
- GraphProBuat grafik siap publikasi, 25 jenis, dengan uji t, ANOVA, korelasi, dan nilai p chi-square bawaan. Gratis, tanpa pendaftaran.
- StatPro: kalkulator statistik gratis dan alat pemilihan tes yang mencakup perbandingan kelompok, hasil kategorikal, analisis waktu kejadian, dan akurasi diagnostik.
- Flowchart Pro: Hasilkan diagram alur PRISMA 2020, PRISMA-ScR, CONSORT, STROBE, STARD, MOOSE, dan ARRIVE langsung di browser Anda.
Dukungan Profesional untuk Pelaporan DECIDE-AI
Evaluasi klinis awal lebih mudah dilaporkan ketika pertanyaan desain diselesaikan sebelum pasien pertama dan manuskrip diedit berdasarkan daftar periksa setelahnya. Dua layanan Editverse sesuai dengan hal tersebut. Yang pertama adalah serangkaian sesi konsultasi metodologi, yang berguna ketika Anda memutuskan hasil, pengambilan sampel pengguna dan pasien, pengumpulan data, dan validitas untuk studi kelayakan metode campuran. Yang kedua adalah pengeditan substansial dari manuskrip itu sendiri. Dukungan pengeditan dan penulisan Editverse selaras dengan COPE, ICMJE, dan GPP 2022, serta dengan persyaratan etika institusi dan negara Anda.
Konsultasi metodologi
$400
Tiga sesi berdurasi 45 menit dengan para ahli metodologi bergelar PhD yang membahas tinjauan desain penelitian, pengambilan sampel, pengumpulan data dan validitas, dengan kerangka kerja metodologi tertulis. Dijadwalkan selama 4 hingga 6 minggu.
Pengeditan lanjutan
$550
Penyuntingan substansial, penyempurnaan bahasa ilmiah, penyuntingan gaya APA, AMA atau Vancouver, dan verifikasi daftar referensi. Biaya tetap, 7 hingga 10 hari kerja, satu putaran revisi gratis.
Kesimpulan
Daftar periksa DECIDE-AI meminta 38 baris yang secara bersama-sama menggambarkan kontak pertama alat AI dengan pasien nyata, dan baris yang paling penting adalah baris yang tidak pernah ditanyakan dalam pedoman uji coba, yaitu kesalahan, versi, perjanjian pengguna, dan kegunaan. Contoh yang kami berikan menunjukkan polanya. Sebuah makalah dapat mencatat setiap perubahan model dan menyebutkan kegagalannya secara terbuka, namun tetap tidak menjelaskan perubahan jumlah pasien, definisi kesalahan yang signifikan, pernyataan kode, dan peran mitra komersialnya. Mulailah dari daftar periksa DECIDE-AI saat Anda merencanakan studi, tulis lokasi untuk setiap baris saat Anda membuat draf, dan jalankan pemeriksaan konsistensi sebelum Anda mengirimkan. Seorang peninjau yang dapat menemukan setiap baris dalam hitungan menit akan menghabiskan waktu peninjauan pada sains Anda.
Pertanyaan yang Sering Diajukan
Ada berapa item dalam daftar periksa DECIDE-AI?
Daftar periksa DECIDE-AI memiliki 17 item khusus AI, yang jika dihitung sub-itemnya akan menjadi 28 baris, ditambah 10 item umum yang diberi nomor dengan angka Romawi. Ini memberikan total 38 baris.
Apakah daftar periksa DECIDE-AI hanya untuk uji coba acak?
Tidak. Daftar periksa DECIDE-AI bersifat spesifik untuk setiap tahapan dan tidak menentukan desain studi. Daftar periksa ini ditujukan untuk evaluasi klinis langsung berskala kecil pada tahap awal, dan dapat digunakan dalam kohort prospektif, perbandingan non-acak, atau rangkaian kasus. Uji coba acak AI menggunakan CONSORT-AI.
Apa yang dianggap sebagai evaluasi klinis tahap awal untuk DECIDE-AI?
Sistem AI digunakan pada pasien sungguhan dan hasilnya memengaruhi perawatan, dalam skala kecil. Pengujian offline atau mode bayangan, di mana hasilnya tidak memengaruhi keputusan, berada di luar pedoman.
Apa perbedaan daftar periksa DECIDE-AI dengan TRIPOD+AI dan CONSORT-AI?
TRIPOD+AI mencakup pengembangan dan validasi model prediksi, dan CONSORT-AI mencakup uji coba acak. Daftar periksa DECIDE-AI berada di antara keduanya dan menambahkan faktor manusia, perjanjian pengguna, modifikasi sistem, dan pelaporan kesalahan yang terperinci.
Apakah daftar periksa DECIDE-AI menggantikan pedoman AI lainnya?
Tidak. Pedoman tersebut mencakup berbagai tahapan, sehingga suatu proyek dapat menggunakan daftar periksa DECIDE-AI untuk rangkaian klinis pertamanya dan CONSORT-AI kemudian untuk uji coba acak. Perlu dicatat bahwa CONSORT 2025 menggantikan CONSORT 2010, dan CONSORT-AI dibangun sebagai perluasan dari CONSORT 2010.
Apakah penulis harus menyerahkan daftar periksa DECIDE-AI yang telah diisi lengkap bersama dengan manuskrip?
Banyak jurnal meminta daftar periksa yang lengkap dengan nomor halaman atau baris untuk setiap baris. Periksa petunjuk penulis, dan tulis jawaban negatif singkat untuk setiap baris yang belum Anda jawab.
Di mana daftar periksa resmi DECIDE-AI dipublikasikan?
Daftar periksa ini diterbitkan di BMJ dan Nature Medicine, keduanya mulai Mei 2022. Versi BMJ bersifat akses terbuka.
Referensi
- Vasey B, Nagendran M, Campbell B, Clifton DA, Collins GS, Denaxas S, dkk. Pedoman pelaporan untuk evaluasi klinis tahap awal sistem pendukung keputusan yang digerakkan oleh kecerdasan buatan: DECIDE-AI. BMJ. 2022;377:e070904. doi:10.1136/bmj-2022-070904. PMID: 35584845. PMCID: PMC9116198. PubMed, PMC.
- Vasey B, Nagendran M, Campbell B, Clifton DA, Collins GS, Denaxas S, dkk. Pedoman pelaporan untuk evaluasi klinis tahap awal sistem pendukung keputusan yang digerakkan oleh kecerdasan buatan: DECIDE-AI. Nat Med. 2022;28(5):924-933. doi:10.1038/s41591-022-01772-9. PMID: 35585198. Nature Medicine.
- Khan DZ, Mao Z, Wijekoon A, Das A, Williams SC, Blandford A, dkk. Evaluasi pertama pada manusia terhadap segmentasi anatomi tingkat piksel real-time yang dibantu AI dalam bedah saraf: bedah hipofisis sebagai contoh. Pituitary. 2026;29(5):163. doi:10.1007/s11102-026-01762-x. PMID: 42829367. PMCID: PMC13634013. CC BY 4.0. PubMed, PMC.
- Hirst A, Philippou Y, Blazeby J, Campbell B, Campbell M, Feinberg J, dkk. Tidak ada inovasi bedah tanpa evaluasi: evolusi dan pengembangan lebih lanjut dari kerangka kerja IDEAL dan rekomendasinya. Ann Surg. 2019;269(2):211-220. doi:10.1097/SLA.0000000000002794. PMID: 29697448. PubMed.