在預測個人在未來10年內遭受心臟病或中風的風險時，機器學習模型與傳統的統計技術相比不再具有一致性，因此也沒有作為護理途徑指南的可靠性。

研究人員在分析了英國360萬名患者的病歷后得出結論，這些病歷在截至2018年的20年中被注冊表進行了追蹤。

該團隊研究了19種不同的預測方法，其中12種代表某種類型的機器學習。

令人失望的表現最糟糕的是，當這兩種類型的模型都假定患者在無意間“檢查”病歷的情況下沒有任何心血管疾病時，這意味著他們的臨床信息由于任何原因而停止更新。

作者在本月發表于BMJ的研究中寫道，邏輯模型和常用的機器學習模型“不應在不考慮審查的情況下直接應用于長期風險的預測”?！翱紤]審查并且可以解釋的生存模型……是可取的。”

全圖風險評分的一個示例：使用常規風險計算器進行心血管事件風險為9.5%至10.5%的患者在隨機森林模型中的風險為2.9%至9.2%神經網絡的風險介于%到7.2%之間。

所有19個模型在人口水平上都能很好地預測疾病，但這在特定的臨床環境中意義不大。

作者寫道：“我們發現，在不同類型的機器學習和統計模型之間和之內，個別患者對心血管疾病風險的預測差異很大，尤其是對于風險較高的患者（使用相似的預測指標時）?！薄昂笄谀Ｐ秃蜋C器學習模型忽略了審查，大大降低了心血管疾病的風險?！?/p>

研究人員的人數包括在中國和荷蘭以及英國的研究人員，他們在本分析中使用了心血管疾病，但建議研究結果也可能適用于其他嚴重的健康風險。

責任編輯：lq