ویراستار عزیز:
در واقع، برای موج آینده مطالعات مدل‌سازی پیش‌بینی با استفاده از یادگیری ماشین به شفافیت بیشتری نیاز است. TRIPOD و TRIPOD-AI دستورالعمل‌های اصلی گزارش‌دهی هستند که بر اساس یک فرآیند دقیق شامل بسیاری از کارشناسان است. و گزارش باید به گونه ای باشد که دیگران بتوانند عملکرد مدل های یادگیری ماشین منتشر شده را ارزیابی کنند [1].
چالش اصلی برای تحقیقات پیش‌بینی، تعریف کاربردهای پزشکی است که در آن تکنیک‌های مدرن واقعاً از آنچه می‌توان با تکنیک‌های یادگیری کلاسیک‌تر مانند تحلیل رگرسیون به دست آورد، فراتر رفت. [2,3, 4]. بررسی‌های مطالعات مقایسه‌ای در نشان ندادن ارزش افزایشی واضح برای یادگیری ماشین نسبت به تکنیک‌های رگرسیون نسبتاً ناامیدکننده بود. [5, 6, 7]. بدیهی است که مطالعات تطبیقی موقعیت‌هایی را در نظر می‌گیرند که از یادگیری ماشین و رگرسیون می‌توان برای پیش‌بینی استفاده کرد. تجزیه و تحلیل تصویر، تجزیه و تحلیل متن و سایر زمینه‌ها ممکن است نوید بیشتری برای رویکردهای هوش مصنوعی داشته باشند، و به دستورالعمل‌های گزارش‌دهی خود برای شفافیت در تحقیقات گزارش‌شده نیاز دارند.
منابع
1. Van Calster، B، Wynants L، Timmerman D، Steyerberg EW، Collins GS. تجزیه و تحلیل پیش بینی کننده در مراقبت های بهداشتی: چگونه می توانیم بدانیم که کار می کند؟ مجله انجمن انفورماتیک پزشکی آمریکا: JAMIA 26, nr. 12 (1 دسامبر 2019): 1651-54. https://doi.org/10.1093/jamia/ocz130.
2. Boulesteix AL، Schmid M. یادگیری ماشینی در مقابل مدل‌سازی آماری. Biom J. 2014 Jul; 56 (4): 588-93. doi: 10.1002/bimj.201300226.
3. Steyerberg EW، van der Ploeg T، Van Calster B. پیش‌بینی ریسک با روش‌های یادگیری ماشین و رگرسیون. Biom J. 2014 Jul; 56 (4): 601-6. doi: 10.1002/bimj.201300297.
4. Van Calster B، Verbakel JY، Christodoulou E، Steyerberg EW، Collins GS. آمار در مقابل یادگیری ماشین: تعاریف جالب هستند (اما درک، روش‌شناسی و گزارش‌دهی مهم‌تر هستند). جی کلین اپیدمیول. دسامبر 2019؛ 116:137-138. doi: 10.1016/j.jclinepi.2019.08.002.
5. Christodoulou E, Ma J, Collins GS, Steyerberg EW, Verbakel JY, Van Calster B. یک بررسی سیستماتیک هیچ مزیت عملکردی یادگیری ماشین را نسبت به رگرسیون لجستیک برای مدل‌های پیش‌بینی بالینی نشان نمی‌دهد. جی کلین اپیدمیول. ژوئن 2019؛ 110:12-22. doi: 10.1016/j.jclinepi.2019.02.004
6. آهنگ X، لیو ایکس، لیو اف، وانگ سی. مقایسه مدل‌های یادگیری ماشین و رگرسیون لجستیک در پیش‌بینی آسیب حاد کلیه: یک بررسی سیستماتیک و متاآنالیز. Int J Med Inform. 2021 ژوئیه؛ 151:104484. doi: 10.1016/j.ijmedinf.2021.104484.
7. Sufriyana H، Husnayain A، Chen YL، Kuo CY، Singh O، Yeh TY، Wu YW، Su EC. مقایسه رگرسیون لجستیک چند متغیره و سایر الگوریتم های یادگیری ماشین برای مطالعات پیش بینی پیش آگهی در مراقبت از بارداری: مرور سیستماتیک و متاآنالیز. JMIR Med Inform. 2020 نوامبر 17; 8 (11):e16503. doi: 10.2196/16503.