对扣押日记预测的前景验证不足

科学领域:

• 神经学 神经学
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 深度学习人工智能模型在使用回顾性数据预测发作风险方面表现有前途.
• 之前的研究表明,与随机预测相比,AI的准确性更高.

研究的目的:

• 为了前性地评估先前开发的AI预测算法的性能.
• 将人工智能模型的准确性与现实世界队列中的既定预测方法进行比较.

主要方法:

• 招募了46名患者的潜在队列.
• 25名参与者提供了足够的日记数据用于分析,平均为5个月.
• 人工智能模型的预测与使用Brier Skill Scores (BSS) 的随机和简单移动平均预测进行了比较.

主要成果:

• 人工智能模型实现了曲线下的面积 (AUC) 为0.82.
• 虽然在组级别 (BSS=0.53) 优于随机预测,但AI在组级和个人级别的简单移动平均线的表现优于AI.
• 包括注册前日记 (假定报告不足) 导致人工智能显著超过了两个比较器.
• 尽管预测质量存在问题,但91%的参与者希望获得扣押预测.

结论:

• 在这个潜在的队列中,人工智能发作预测工具与简单移动平均线相比没有表现出优异的表现.
• 这些发现表明,目前的AI模型可能不适合预测未来的发作风险,应该重新考虑或更换.
• 需要进一步的研究来完善人工智能模型,以准确可靠地预测发作.