Maschinenlernen für Kliniker relevant machen: Handlungsfähigkeit von Modellen in der medizinischen Entscheidungsfindung

Maschinenlernen (ML) hat das Potenzial, die Patientenversorgung und -ergebnisse zu transformieren. Es gibt jedoch wichtige Unterschiede zwischen der Messung der Leistung von ML-Modellen in silico und deren Nützlichkeit am Ort der Versorgung. Eine Perspektive zur Bewertung von Modellen in der frühen Entwicklung ist die Handlungsfähigkeit, die derzeit unterbewertet ist. Wir schlagen eine Metrik für die Handlungsfähigkeit vor, die vor der Bewertung der Kalibrierung und letztendlich der Entscheidungs-Kurven-Analyse und Berechnung des Netto-Nutzens verwendet werden soll. Unsere Metrik sollte als Teil eines übergreifenden Bemühens zur Erhöhung der Anzahl von pragmatischen Werkzeugen betrachtet werden, die die möglichen klinischen Auswirkungen eines Modells identifizieren.