评估机器学习模型在脊椎外科手术中不平衡的二进制结果分类的局限性:系统性审查
Marc Ghanem1,2,3, Abdul Karim Ghaith1,2, Victor Gabriel El-Hajj1,2,4
1Mayo Clinic Neuro-Informatics Laboratory, Mayo Clinic, Rochester, MN 55902, USA.
Brain sciences
|December 23, 2023
概括
本综述评估了脊柱手术的机器学习 (ML) 和深度学习 (DL) 模型,重点关注它们的性能指标. 它强调了常见的评估错误和偏见,以提高临床模型的可靠性.
科学领域:
- * 脊柱手术研究研究
- * 机器学习和深度学习应用程序
背景情况:
- * 在脊椎手术预测模型中越来越多地使用ML/DL.
- *需要对预测不常见结果的模型进行强有力的评估.
研究的目的:
- *系统地审查和评估脊椎手术的ML/DL模型.
- *专注于预测二进制结果的模型及其评估指标.
主要方法:
- * 按照PRISMA指南对60篇研究论文进行系统审查.
- * 对各种脊柱手术结果 (LOS,再入院等) 报告的评估指标的分析. ) 的情况.
主要成果:
- * 预测识别的共同结果:住院时间,再入院,非家庭出院,死亡率,重新手术.
- * 对目标结果观察到显著的数据不平衡 (0.44%42.4%).
- *报告的指标 (AUROC,准确性,灵敏度,特异性,PPV,NPV,Brier分数,F1分数) 和数据可视化方面存在很大差异.
结论:
- * 突出了脊柱外科手术ML模型评估中的常见错误和潜在偏差.
- * 推适当的评估方案,以提高模型可靠性和临床整合.
- *强调需要标准化评估,以促进在医疗保健中有效采用ML模型.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.3K
07:17Establishing a Mouse Contusion Spinal Cord Injury Model Based on a Minimally Invasive Technique
Published on: September 7, 2022
4.9K
