ارائه دهندگان مراقبت های بهداشتی به طور فزاینده از الگوریتم های هوش مصنوعی (AI) و یادگیری ماشین (ML) برای تشخیص و پیش بینی بیماری‌ها استفاده می‌کنند. در طول 15 سال گذشته، استفاده از این الگوریتم‌های پیش بینی بالینی (CPAs) در ادبیات علمی به طور گسترده مورد بررسی و بحث قرار گرفته است اما  آیا پزشکی دیجیتال صحیح است؟ متأسفانه، بسیاری از این الگوریتم‌های پیش بینی به خوبی عمل نمی‌کنند. اگرچه در پردازش تصویر پزشکی پیشرفت‌ها و موفقیت‌هایی وجود دارد اما گزارش‌هایی از نقایص یا شکست کلی الگوریتم‌های CPAs فراوان است. به عنوان مثال، یک بررسی از 232 الگوریتم تشخیصی یا پیش بینی در بحران کووید-19 توسعه یافته بود و هیچکدام از آن‌ها برای استفاده بالینی مناسب نبوده است. بنابراین ما دو راه حل برای این مشکل می‌بینیم که هر دوی آن‌ها بر اصول و روش‌های علمی ، آماری و عملیاتی استوار است و امروزه در جهان به آن ها بی توجهی میشود.

 

راه حل اول این است که الگوریتم‌های پیش بینی بالینی را با استفاده از همان اصولی که به مدت طولانی در آزمایشات بیوشیمیایی-آزمایشگاهی و بیونمادگرهای فیزیولوژیک مورد استفاده قرار می‌گیرد، توسعه داده ، پیاده سازی، تفسیر و بهینه سازی کنیم. ما ادعا می‌کنیم که توسعه دهندگان CPA بیش از حد به معیار مساحت زیر منحنی و عملکرد (ACU) در ارزیابی کیفیت الگوریتم‌های خود بر این اساس اعتماد می‌کنند و باید در ارزیابی کارآمدی و ارزش CPA، شیوع (P) بیماری و مقادیر پیش بینی مثبت و منفی را مد نظر قرار دهند. همچنین، توصیه می‌کنیم که ارزش تصمیمات مثبت حقیقی (TP)، مثبت غلط (FP)، منفی حقیقی (TN) و منفی غلط (FN) را برای تعیین ارزش کلی (TV) CPA کمی سنجش نمود.

 

حرکت فعلی ممکن است کم هزینه و سریع تر باشد اما در صورت بروز مشکل اعتماد کامل پزشکان به این نرم افزار ها از بین خواهد رفت. راه حل های پیشنهاد شده در این زمینه ممکن است به نظر زمان بر و گران باشد اما داده ها بسیار با کیفیت تر خواهند بود.

 

منبع :   mit.edu