临床医生制定和评估AI预测模型的路线图,以告知临床决策

科学领域:

• 临床信息学 临床信息学
• 人工智能在医学中的应用
• 医疗保健服务研究 医疗服务研究

背景情况:

• 预测模型在临床护理方面有着悠久的历史,有助于风险评估和共享决策.
• 开发用于临床实践的人工智能 (AI) 预测模型提出了超出预测性能的独特挑战.
• 成功的整合需要解决可用性和决策支持方面的问题,而不仅仅是模型准确性.

研究的目的:

• 概述一个九个阶段的框架,用于开发和评估临床实践的预测性AI模型.
• 确定临床医生在AI模型开发和实施的每个阶段可能遇到的潜在挑战.
• 为应对这些挑战提供实用策略,并促进人工智能采用.

主要方法:

• 该研究详细介绍了九个阶段:澄清临床问题,特征选择,数据集选择,模型开发,验证,解释,许可,维护和影响评估.
• 重点是将AI预测集成到临床工作流程中的实际方面.
• 该框架认为多个相互作用的组件对于实现AI预测模型的好处至关重要.

主要成果:

• 这九个阶段涵盖了人工智能预测模型的整个生命周期,从概念到后实施评估.
• 有效的临床整合取决于预测的准确性,用户的理解以及信息交付的及时性.
• 实现人工智能模型的好处取决于它们能够及时和适当地告知临床行动的能力.

结论:

• 人工智能预测模型对临床过程和患者结果的影响是高度可变的.
• 使用适当的研究设计进行严格的评估对于理解和优化AI模型在临床实践中的使用至关重要.