Aprendizaje automático aplicado en área de la salud. Parte 2
Barra lateral del artículo
Contenido principal del artículo
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.
##plugins.themes.bootstrap3.displayStats.downloads##
Detalles del artículo
Sección
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Cómo citar
Referencias
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.