Машинное обучение просмотрело критические и прогрессирующие медицинские состояния

Американские и бангладешские исследователи протестировали популярные алгоритмы машинного обучения в медицине.
Алгоритмы плохо справляются с предсказанием критических и прогрессирующих состояний, таких как внутрибольничная смертность и рак.
Недостаточное покрытие датасетами клинических состояний и несбалансированность данных являются причинами низкой эффективности.
Исследователи протестировали различные модели машинного обучения, включая LSTM, многослойный перцептрон, XGBoost и другие.
Алгоритмы смогли заметить критические состояния не более чем в трети тестовых случаев, часто завышая оценку вероятности смерти при умеренных повреждениях.
Низкая достоверность предсказаний наблюдалась при изменении единственного клинического показателя.
Полученные результаты указывают на серьезные изъяны алгоритмов, приводящие к слепым пятнам при диагностике жизненно важных состояний.
Интеграция медицинской информации в клинические модели машинного обучения является важным вопросом для изучения.