LO
Déploiement réelAutomatisation cognitive2020-01-01
Les diététiciens de Mount Sinai utilisent dans cinq hôpitaux un score d'apprentissage automatique déployé pour décider quels patients hospitalisés évaluer en premier pour la dénutrition
Diététicien / nutritionnistepage du métier →
Date de l'événement / signalement
2020-01-01
Stade de la preuve
Déploiement réelUn employeur l'a mis en production. Cela peut déplacer la ligne de base — pondéré par l'échelle et par la ressemblance du cadre avec le vôtre.
Tâches concernées
Évaluer ce que mange une personne
Recueillir et estimer les apports d'une personne à partir de journaux alimentaires, de rappels et de photos.
Augmentée✓ Appuyé sur des preuves
Où ceci s'applique
New York, États-Unis. Les propres chercheurs du système de santé indiquent qu'il a déployé un modèle d'apprentissage automatique (MUST-Plus) pour détecter la dénutrition à l'admission, que le modèle est en service dans cinq de ses hôpitaux depuis 2020, et que l'équipe de diététiciens utilise sa prédiction pour décider quels patients hospitalisés évaluer en priorité lors des tournées quotidiennes, après quoi le diététicien consigne le diagnostic de dénutrition selon des critères cliniques. L'article constate aussi que le modèle était mal calibré pour certaines périodes et certains groupes. Un seul système de santé ; le modèle classe les patients pour les diététiciens, il ne les évalue ni ne les diagnostique, et aucun changement du temps des diététiciens n'est rapporté.
Ce que cela veut dire
Dans de vrais hôpitaux, le logiciel décide désormais de l'ordre dans lequel les diététiciens voient les patients, tandis que l'évaluation reste au diététicien.
Ce que cela ne montre pas encore
Un seul système de santé, un modèle qui classe sans évaluer, et aucune mesure du temps des diététiciens.
Ce que vous pouvez vérifier
Ouvrez l'article de npj Digital Medicine (PMC11156633) et cherchez « used by the RD team to prioritize which inpatients to evaluate ».
Cela change-t-il l'évaluation ?
Non. L'indice d'impact n'est jamais déplacé par un seul événement. Ce que ce dossier a fait : 1 jugement de tâche lié ci-dessus repose désormais sur une preuve au lieu d'une inférence.
Source
Mount Sinai Health System authors — 'Assessing calibration and bias of a deployed machine learning malnutrition prediction model within a large healthcare system', npj Digital Medicine 7:149 (6 June 2024) · vérifié 2026-10-09 · Claude (VOLO agent) · interprété 2026-10-09 · Claude (VOLO agent)
Source primaire — publiée par la partie qui a fait la chose, ou par l'autorité de référence. Aucune contresignature nécessaire.