批判性阅读神经外科的机器学习文献:阅读者的指南和评估预测模型的检查清单
Sivaram Emani1, Akshay Swaminathan2, Ben Grobman1
11Harvard Medical School, Boston, Massachusetts.
Neurosurgical focus
|June 7, 2023
概括
这项研究回顾了神经外科的机器学习 (ML),并提供了一个检查清单,以帮助临床医生批判性地评估ML研究,以更好地整合实践. 目标是提高对这些先进算法的理解和应用.
科学领域:
- 神经外科 神经外科
- 人工智能的人工智能
- 医疗信息学 医疗信息学
背景情况:
- 机器学习 (ML) 在神经外科研究中迅速扩大,增加出版量和复杂性.
- 神经外科读者越来越需要批判性地评估临床实践翻译的ML文献.
- 这需要可访问的工具来评估ML算法在神经外科手术中的有效性和适用性.
研究的目的:
- 审查当前神经外科机器学习应用的现状.
- 为批判性评估神经外科ML研究制定实用检查清单.
- 帮助神经外科医生理解并将ML纳入临床实践.
主要方法:
- 进行了PubMed的文献搜索,使用诸如"神经外科"和"机器学习"等术语,包括特定的子专业.
- 审查了专注于ML方法的精选论文:问题制定,数据处理,模型开发,验证,性能和部署.
- 综合发现,创建一个结构化的批判性评估检查清单.
主要成果:
- 开发了一份14个问题的检查清单,用于批判性地评估神经外科手术中的ML模型和技术.
- 根据标准机器学习工作流程组织检查清单问题.
- 提供了ML开发过程,关键术语和概念的概述.
结论:
- 机器学习将在神经外科研究和患者护理中发挥重要作用.
- 对神经外科医生来说,加强对ML的教育和批判性评估工具是必不可少的.
- 这项工作旨在促进更好地审查ML研究,并将其有效地纳入实践.
