Aprendizaje automático aplicado en área de la salud. Parte 2

Contenido principal del artículo

Nicolás H. Quiroz
María Lourdes Posadas Martínez
Emiliano Rossi
Diego Giunta
Marcelo Risk

Resumen

En el artículo anterior se introdujo el tema y se desarrolló cómo es la recolección y análisis de datos, la selección y entrenamiento de modelos de aprendizaje automático supervisados y los métodos de validación interna que permiten corroborar si el modelo arroja resultados similares a los de otros conjuntos de entrenamiento y de prueba. En este artículo continuaremos con la descripción de la  evaluación del rendimiento, la selección del modelo más adecuado para identificar la característica que se va a evaluar y la validación externa del modelo. Además, el artículo resume los desafíos existentes en la implementación del Machine Learning desde la investigación al uso clínico.

Detalles del artículo

Cómo citar
1.
Quiroz NH, Posadas Martínez ML, Rossi E, Giunta D, Risk M. Aprendizaje automático aplicado en área de la salud. Parte 2. Rev. Hosp. Ital. B.Aires [Internet]. 31 de marzo de 2022 [citado 23 de mayo de 2024];42(1):p. 56-58. Disponible en: //ojs.hospitalitaliano.org.ar/index.php/revistahi/article/view/152
Sección
Notas sobre estadística e investigación

Citas

Wiens J, Shenoy ES. Machine learning for healthcare: on the verge of a major shift in healthcare epidemiology. Clin Infect Dis. 2018;66(1):149-153. https://doi.org/10.1093/cid/cix731.

Park C, Took CC, Seong JK. Machine learning in biomedical engineering. Biomed Eng Lett. 2018;8(1):1-3. https://doi.org/10.1007/s13534-018-0058-3.

Barbour DL. Precision medicine and the cursed dimensions. NPJ Digit Med. 2019;2:4. https://doi.org/10.1038/s41746-019-0081-5.

Clarke R, Ressom HW, Wang A, et al. The properties of high-dimensional data spaces: implications for exploring gene and protein expression data. Nat Rev Cancer. 2008;8(1):37-49. https://doi.org/10.1038/nrc2294.

Finlayson SG, Bowers JD, Ito J, et al. Adversarial attacks on medical machine learning. Science. 2019;363(6433):1287-1289. https://doi.org/10.1126/science.aaw4399.

Miotto R, Wang F, Wang S, et al. Deep learning for healthcare: review, opportunities and challenges. Brief Bioinform. 2018;19(6):1236-1246. https://doi.org/10.1093/bib/bbx044.

Vickers AJ, Elkin EB. Decision curve analysis: a novel method for evaluating prediction models. Med Decis Making. 2006;26(6):565-574. https://doi.org/10.1177/0272989X06295361.

Sidey-Gibbons JAM, Sidey-Gibbons CJ. Machine learning in medicine: a practical introduction. BMC Med Res Methodol. 2019;19(1):64. https://doi.org/10.1186/s12874-019-0681-4.

Uddin S, Khan A, Hossain ME, et al. Comparing different supervised machine learning algorithms for disease prediction. BMC Med Inform Decis Mak. 2019;19(1):281. https://doi.org/10.1186/s12911-019-1004-8.

Rudin C. Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead. Nat Mach Intell. 2019;1:206-215. https://doi.org/10.1038/s42256-019-0048-x.

van Soest JPA, Dekker ALA, Roelofs E, et al.. Application of machine learning for multicenter learning. En: El Naqa I, Ruijiang L, Murphy LJ, eds. Machine learning in radiation oncology. Cham: Springer; 2015. p. 71-97. https://doi.org/10.1007/978-3-319-18305-3_6.

Obermeyer Z, Weinstein JN. Adoption of artificial intelligence and machine learning Is increasing, but irrational exuberance remains. NEJM Catalyst. 2020;1(1). https://doi.org/10.1056/CAT.19.1090.

Sendak M, Gao M, Nichols M, et al. Machine learning in health care: a critical appraisal of challenges and opportunities. EGEMS (Wash DC). 2019;7(1):1. https://doi.org/10.5334/egems.287.

Silcox C, Dentzer S, Bates DW. AI-enabled clinical decision support software: a “trust and value checklist” for clinicians. NEJM Catalyst. 2020;1(6). https://doi.org/10.1056/CAT.20.0212.

Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019;25(1):44-56. https://doi.org/10.1038/s41591-018-0300-7.

Artículos más leídos del mismo autor/a