随着临床和生物大数据的极大丰富,机器学习技术通过结合多方面的信息以预测个体的健康结局,在科研及学术论文中应用日益广泛,但关键信息报告的不足也逐渐显现,包括数据偏倚、模型对不同群体的公平性、数据质量和适用性问题,以及在真实...随着临床和生物大数据的极大丰富,机器学习技术通过结合多方面的信息以预测个体的健康结局,在科研及学术论文中应用日益广泛,但关键信息报告的不足也逐渐显现,包括数据偏倚、模型对不同群体的公平性、数据质量和适用性问题,以及在真实临床环境中保持预测准确性和可解释性的难度等,增加了将预测模型安全有效地应用于临床实践的复杂性。针对这些问题,多变量预测模型个体预后或诊断的透明报告(transparent reporting of a multivariable prediction model for individual prognosis or diagnosis,TRIPOD)+人工智能(artificial intelligence,AI)声明在TRIPOD的基础上提出了针对机器学习模型的报告规范,以提升模型的透明性、可重复性和健康公平性,从而改善机器学习模型的应用质量。当前,国内基于机器学习技术的预测模型研究日益增多。为帮助国内读者更好地理解和应用TRIPOD+AI,笔者结合实例对其进行了解读,希望为研究人员报告质量提升提供支持。展开更多
文摘随着临床和生物大数据的极大丰富,机器学习技术通过结合多方面的信息以预测个体的健康结局,在科研及学术论文中应用日益广泛,但关键信息报告的不足也逐渐显现,包括数据偏倚、模型对不同群体的公平性、数据质量和适用性问题,以及在真实临床环境中保持预测准确性和可解释性的难度等,增加了将预测模型安全有效地应用于临床实践的复杂性。针对这些问题,多变量预测模型个体预后或诊断的透明报告(transparent reporting of a multivariable prediction model for individual prognosis or diagnosis,TRIPOD)+人工智能(artificial intelligence,AI)声明在TRIPOD的基础上提出了针对机器学习模型的报告规范,以提升模型的透明性、可重复性和健康公平性,从而改善机器学习模型的应用质量。当前,国内基于机器学习技术的预测模型研究日益增多。为帮助国内读者更好地理解和应用TRIPOD+AI,笔者结合实例对其进行了解读,希望为研究人员报告质量提升提供支持。
