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 (AI) 模型在使用回顾性数据预测风险方面表现有前途.
• 以前的研究表明,人工智能模型可以比随机机会更准确地预测发作.

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随机预测和现实世界队列中的简单移动平均值进行比较.

主要方法:

• 招募了46名患者的前队伍,其中25人提供了足够的数据,平均为5个月.
• 应用了相同的AI方法,并使用Brier Skill Scores (BSS) 评估了团队和个人水平的表现.
• 与随机预测和简单移动平均线预测进行了比较.

主要成果:

• 人工智能模型实现了接收器操作特征曲线下的面积为0.82.2.
• 在群体层面,人工智能表现优于随机预测 (BSS = 0.53),但简单的移动平均预测表现优于人工智能单独和在群体层面.
• 包括注册前日记 (假定报告不足) 显著改善了AI性能,与两者相比.
• 尽管预测质量存在问题,但91%的参与者希望获得发作风险预测.

结论:

• 在这个潜在的队中,人工智能发作预测工具与简单的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模型可能需要进行重大修订或更换.
• 需要进一步的研究来完善人工智能算法,以便更准确,更可靠地预测潜在的风险.