普瑞纯证

外媒 | 机器学习方法的临床试验缺乏透明度和包容性-普瑞纯证

机器学习方法的临床试验缺乏透明度和包容性

一项发表在JAMA Network Open上的研究发现,研究人员必须通过使试验更具包容性和提高报告透明度来改进用于测试机器学习算法的随机临床试验(RCTs)。尽管机器学习有潜力增强患者护理,但只有少数RCTs已经进行了机器学习方法的测试。研究人员通过文献搜索收集了过去的RCTs,并审查了设计、报告标准、风险偏倚和包容性等方面。他们通过文献搜索收集了19,737篇文章,其中41个RCTs的中位数参与者为294人。在这个RCTs样本中,有16个是在2021年进行的,21个是在单个站点进行的,15个涉及内窥镜检查。为了检查RCT的透明度和可重复性,研究人员评估了每个试验对CONSORT-AI的遵守情况,这是一项针对AI干预试验的报告指南。没有一个RCT符合所有CONSORT-AI标准。未遵守的最常见原因是未审查不可用的输入数据(93%),未分析性能错误(93%)和缺乏有关代码或算法可用性的声明(90%)。此外,研究发现,17%的试验的整体风险偏倚很高,只有27%的试验报告了种族和民族数据。在报告种族相关数据的试验中,少数族裔参与者的中位数比例为21%。因此,研究人员得出结论,尽管正在开发基于机器学习的算法,但只有少数算法经过了RCTs的测试。此外,许多现有的RCTs在报告标准和风险偏倚方面存在高度的变异性。最终,研究得出结论,随着RCT的努力继续,必须解决这些问题。但研究人员还指出了该研究的几个限制,包括该研究选择的RCTs仅评估了直接影响临床决策的机器学习干预。此外,由于这一领域的研究正在快速发展,因此用于分析的数据可能不再被认为是当前的。以前的研究也得出了类似的发现,即需要和优化RCTs。在8月份发表的一项系统综述中,研究人员发现,评估人工智能(AI)的RCTs数量有限,这是优化未来临床护理中AI的必要条件。3月的研究发现,机器学习可以帮助预测COVID-19患者的死亡率。

版权声明 本网站所有注明“来源:普瑞纯证”或“来源:pureFDA”的文字、图片和音视频资料,版权均属于普瑞纯证网站所有。非经授权,任何媒体、网站或个人不得转载,否则将追究法律责任。取得书面授权转载时,须注明“来源:普瑞纯证”。其它来源的文章系转载文章,本网所有转载文章系出于传递更多信息之目的,转载内容不代表本站立场。