Машинное обучение показывает эффективность, аналогичную традиционным моделям прогнозирования рисков.

Некоторые утверждают, что технология машинного обучения может трансформировать системы здравоохранения, но исследование, опубликованное BMJ, показывает, что модели машинного обучения имеют схожую производительность с традиционными статистическими моделями и разделяют аналогичную неопределенность при прогнозировании рисков для отдельных пациентов.

NHS инвестировала 250 млн фунтов стерлингов (323 млн долларов; 275 млн евро) для внедрения машинного обучения в здравоохранение, но исследователи говорят, что уровень согласованности (стабильности) внутри и между моделями должен быть оценен, прежде чем они будут использоваться для принятия решений о лечении для отдельных пациентов.

Модели прогнозирования рисков широко используются в клинической практике . Они используют статистические методы наряду с информацией о людях, такой как их возраст и этническая принадлежность, для выявления тех, кто подвержен высокому риску развития заболевания, и принятия решений относительно ухода за ними.

Предыдущие исследования показали, что традиционная модель прогнозирования риска, такая как QRISK3, имеет очень хорошие характеристики на уровне популяции, но имеет значительную неопределенность в прогнозировании индивидуального риска.

Некоторые исследования утверждают, что модели машинного обучения могут превосходить традиционные модели, в то время как другие утверждают, что они не могут предоставить объяснимые причины своих прогнозов, что может привести к неуместным действиям.

Более того, модели машинного обучения часто игнорируют цензуру – когда пациенты теряются (из-за ошибки или из-за того, что они недоступны) во время исследования, а модель предполагает, что они здоровы , что приводит к необъективным прогнозам.

Для дальнейшего изучения этих вопросов исследователи из Великобритании, Китая и Нидерландов поставили перед собой задачу оценить согласованность машинного обучения и статистических методов в прогнозировании индивидуальных и популяционных рисков сердечно-сосудистых заболеваний и влияния цензуры на прогнозы рисков.

Они оценили 19 различных методов прогнозирования (12 моделей машинного обучения и семь статистических моделей), используя данные 3,6 миллиона пациентов, зарегистрированных в 391 клинике общей практики в Англии в период с 1998 по 2018 год.

Данные из общей практики, записей о госпитализации и смертности использовались для проверки эффективности каждой модели в сравнении с реальными событиями.

услуги нутрициологаАвтор сайта и статей: Наталья Степанова, нутрициолог-психолог, консультант по питанию и коррекции веса. Подробнее обо мне

Я в соц. сетях: Vk, Instagram.

Рейтинг
Еще статьи нутрициолога:
Adblock
detector