Methodical approach and recommendations for scientific description of creation and validation of machine learning model

Abstract

<h3>ЦЕЛЬ ИССЛЕДОВАНИЯ</h3> Стандартизировать требования к описанию результатов создания и валидации моделей машинного обучения для обеспечения прозрачности и доверия со стороны практического здравоохранения и надзорных органов. <h3>МАТЕРИАЛ И МЕТОДЫ</h3> Выполнено аналитическое исследование данных на основе методологии Cross-Industry Standard Process for Data Mining (реализованы четыре первые фазы цикла исследования; фазы оценки и внедрения должны быть выполнены в формате внешней независимой валидации). Использованы аналитические методы научного познания: анализ, синтез, индукция. <h3>РЕЗУЛЬТАТЫ</h3> Разработаны практико-методические рекомендациии по подготовке отчета (рукописи научной статьи) о разработке и валидации модели машинного обучения. Рекомендации оформлены в виде: а) методического документа; б) чек-листа для ускоренной проверки структуры, полноты и качества содержания рукописи. Принципиальные отличия авторской разработки от аналогов: наличие стандартной структуры медицинской научной статьи; баланс представления клинической и технологической информации; включение специфических аспектов машинного обучения, наиболее релевантных с медицинской точки зрения; методическая информация для поддержки авторов; обеспечение возможности применения чек-листа разными заинтересованными специалистами. <h3>ЗАКЛЮЧЕНИЕ</h3> Оригинальный методический подход и чек-лист могут повысить качество, прозрачность и воспроизводимость научных отчетов в сфере машинного обучения для здравоохранения. Разработка отличается балансом технологических и клинических аспектов, образовательной значимостью и комплексными возможностями. Предложенный инструментарий может быть валидирован независимыми исследователями.

Ähnliche Arbeiten