为什么你的医生不是算法:探索不同临床推理方法的逻辑原理,以肝移植作为模型

科学领域:

• 医疗信息学 医疗信息学
• 计算医学是一种计算医学.
• 认识论的认识论学.

背景情况:

• 机器学习 (ML) 工具正在为各种医疗应用快速发展.
• 将ML算法集成到日常临床实践中存在重大挑战.
• 现有的医学知识生成范式包括基于证据的医学 (EBM) 和基于经验的医学.

研究的目的:

• 提出一个认识论框架,用于在临床环境中应用计算工具.
• 将ML工具的逻辑原理与EBM和基于经验的医学进行比较.
• 通过逻辑的方法来解决ML在医疗保健中的整合挑战.

主要方法:

• 利用科学推论的分类:演性,诱导性和诱导性.
• 将ML工具的特征与已建立的医学知识生成方法 (EBM,基于经验的医学) 进行比较.
• 用肝移植作为案例研究来说明拟议的方法.

主要成果:

• 基于证据的医学 (EBM) 主要使用演推理,但结论缺乏保证的确定性.
• 机器学习算法主要采用诱导推理,在大数据集集成和减轻人类偏见方面表现出色.
• 机器学习工具表现出有限的诱导推断能力,阻碍了在不确定的,异质的或快速变化的临床环境中的表现.

结论:

• 从认识论的角度来看,对于理解ML工具在临床实践中的应用至关重要.
• ML的诱导性与复杂情况下对人类临床经验至关重要的吸收推理形成鲜明对比.
• 这个框架可以指导ML工具在各种医疗专业的有效和逻辑整合.