The TRIPOD-LLM reporting guideline for studies using large language models
492Citations signalées, ce qui n’est pas une note de qualité
26Institutions déclarées
7Pays d’affiliation déclarés
Rattachement africain : us, gb, au, dk, ca, co, nl. Niveau de preuve : code pays fourni par la source.
Résumé indisponible. Les résultats de l’étude ne doivent pas être déduits de son seul titre.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- The TRIPOD-LLM reporting guideline for studies using large language models
- Date Crossref
- 01/01/2025
- Éditeur
- Springer Science and Business Media LLC
- Type
- journal-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Les institutions déclarées
Harvard UniversityGuy's and St Thomas' NHS Foundation TrustMass General BrighamMassachusetts Institute of TechnologyUniversity of Wisconsin–MadisonUniversity of TasmaniaBrigham and Women's HospitalDana-Farber Cancer InstituteDana-Farber Brigham Cancer CenterUniversity of Southern CaliforniaUnited States National Library of MedicineLoyola University ChicagoStanford MedicineAarhus UniversityUniversity of AlbertaBoston Children's HospitalThe University of Texas MD Anderson Cancer CenterUniversity of CaucaEmory UniversityNuffield Orthopaedic CentreUniversity of OxfordUtrecht UniversityUniversity Medical Center UtrechtArt Innovation (Netherlands)Beth Israel Deaconess Medical CenterArtificial Intelligence in Medicine (Canada)
Une affiliation ne permet pas de déduire la nationalité d’un auteur.
Les sujets associés
Radiomics and Machine Learning in Medical ImagingArtificial Intelligence in Healthcare and EducationMachine Learning in Healthcare