在2014年至2020年評估使用AI進行現實世界共享臨床決策的34項代表性研究中，只有兩項將模型的外部驗證納入考慮范圍。

此外，大多數已審查的研究僅使用一種算法進行訓練，測試和內部驗證，只有八種算法在其進度上采用了多種算法。

因此，報告行業的研究人員進行了系統的文獻綜述，以評估研究的穩健性，這些研究的重點是使用機器學習來協助患者與提供者共同做出決定。

BMC醫學信息學和決策制定于2月15日發布了該研究。

禮來公司的Lisa Hess博士和Alan Brnabic這么說，以至于他們的評論揭示了各種不合常規的方法，統計軟件和驗證策略。

Hess和Brnabic評論了許多研究方法的多樣性以及相對薄弱之處，呼吁臨床AI研究人員確保“在基于機器學習的患者護理模型的開發中采用了多種建模方法，這需要最高的研究標準，以可靠地支持基于證據的共享決策。”

作者認為，展望未來，在將模型推薦用于現實世界的患者護理之前，應通過內部和外部驗證對實驗機器學習模型進行規模調整。

赫斯和布朗納比克評論說：“很少有研究能夠達到這一證據標準，可以指導患者提供者的決策。”

該研究是免費的。

責任編輯：lq