临床研究中机器学习分析报告的建议
2023-10-02 Equator Network Circ Cardiovasc Qual Outcomes . 2020 Oct;13(10):e006556. 发表于加利福尼亚
鉴于复杂临床数据集的可用性不断增加,机器学习 (ML) 在临床研究中的使用正在稳步增长。 机器学习在预测性能和识别具有特定生理学和预后的患者的未发现亚群方面具有重要优势。 尽管很受欢迎,但许多临床医生
临床研究中机器学习分析报告的建议
2023-10-02
鉴于复杂临床数据集的可用性不断增加,机器学习 (ML) 在临床研究中的使用正在稳步增长。 机器学习在预测性能和识别具有特定生理学和预后的患者的未发现亚群方面具有重要优势。 尽管很受欢迎,但许多临床医生和研究人员还不熟悉评估和解释 ML 分析。 因此,读者和同行评审者可能会高估或低估基于机器学习的模型的有效性和可信度。 相反,没有临床经验的机器学习专家可能会提供过于细化的分析细节,临床读者无法评估。 压倒性的证据表明,临床研究中 ML 模型的再现性和报告性较差,这表明需要以清晰、简洁和易于理解的方式呈现 ML 分析,以促进理解和批判性评估。 我们提出了专门针对临床研究人员的关于机器学习分析结果的透明和结构化报告的建议。 此外,我们还提供了关键报告元素列表以及示例,在为同一受众准备和提交基于 ML 的手稿时,可以将这些示例用作模板。