评估用于医疗保健的自动化机器学习平台

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的机器学习
• 临床决策支持 临床决策支持

背景情况:

• 自动机器学习 (Auto ML) 平台为开发临床机器学习 (ML) 模型提供了潜力.
• 选择合适的Auto ML平台对于在医疗保健环境中成功实施至关重要.
• 现有的选择过程可能无法充分解决临床ML模型开发的独特要求.

研究的目的:

• 描述了为选择自动机器学习 (Auto ML) 平台的检查清单的开发和应用.
• 为医疗机构提供一个结构化的方法来选择用于临床ML模型创建的Auto ML工具.
• 确保选定的Auto ML平台满足当地卫生区和临床应用的特定需求.

主要方法:

• 采用了三个步骤的过程:确定关键要求,对Auto ML平台进行市场扫描,并通过定义期望结果进行评估过程.
• 包括临床医生,数据科学家和利益相关者在内的多学科团队为制定评估标准做出了贡献.
• 开发的检查清单包括21个功能性和6个非功能性标准,应用于供应商提交的材料.

主要成果:

• 为了选择Auto ML平台,最终确定了一份包含21个功能和6个非功能标准的全面检查清单.
• 该检查清单成功地被应用在选择一个平台的用例,包括创建一个机器学习的肝素剂量模型.
• 评估过程有助于为购买合适的Auto ML平台做出明智决策.

结论:

• 一个经过验证的检查清单可以帮助医疗机构选择合适的Auto ML平台用于临床ML模型开发.
• 开发的检查清单可以适应各种医疗保健组织的各种ML需求.
• 建议在更大的多站点研究中进行进一步验证,以确认检查清单的更广泛的适用性和有效性.