Cómo leer artículos que utilizan el aprendizaje automático: guías de usuarios de la literatura médica

Área de la Ciencia:

• La informática médica
• El aprendizaje automático en el cuidado de la salud
• Diagnóstico clínico

Sus antecedentes:

• Recientemente han surgido numerosas herramientas de diagnóstico clínico basadas en el aprendizaje automático (ML).
• Estas herramientas requieren un proceso de evaluación estructurado, independientemente de su método de derivación.

Objetivo del estudio:

• Esbozar el marco de evaluación esencial para las herramientas de diagnóstico clínico basadas en ML.
• Enfatizar los pasos críticos para derivar, validar y establecer la eficacia clínica.

Principales métodos:

• Evaluación de la idoneidad del modelo ML elegido para el tipo y tamaño de los datos de entrada.
• Hiperparámetros del modelo de ajuste en un conjunto de datos independiente del conjunto de validación.
• Evaluación del resultado del modelo ML con respecto a una norma de referencia definida en el conjunto de validación.

Principales resultados:

• El estudio destaca la necesidad de una evaluación en tres pasos: derivación, validación y eficacia clínica.
• Subraya la importancia de evaluar el tipo de modelo ML, la idoneidad de los datos y el ajuste de hiperparámetros.
• El rigor del estándar de referencia, potencialmente en contra de un estándar de oro, es crucial para la validación.

Conclusiones:

• Un proceso sistemático de evaluación en tres pasos es fundamental para todas las herramientas de diagnóstico clínico, especialmente las que utilizan ML.
• La evaluación adecuada de los parámetros del modelo ML y de la norma de referencia garantiza la fiabilidad y la utilidad clínica de las herramientas de diagnóstico.