Исследования в области машинного обучения и искусственного интеллекта на благо пациентов: 20 ключевых вопросов о прозрачности, воспроизводимости, этике и эффективности

Машинное обучение, искусственный интеллект и другие современные статистические методы открывают новые возможности для практического использования ранее не задействованных и быстро растущих источников данных на благо пациентов. Несмотря на большое количество перспективных исследований, особенно в области визуализации, научная литература в целом характеризуется недостаточной прозрачностью, отсутствием четкого описания методов, необходимого для обеспечения воспроизводимости, недостаточным изучением потенциальных этических проблем и отсутствием убедительных доказательств эффективности. Среди многочисленных причин существования этих проблем одной из наиболее важных является нынешний недостаток рекомендаций по передовой практике, специально разработанных для машинного обучения и искусственного интеллекта; здесь мы предлагаем предварительное решение этой проблемы. Тем не менее мы считаем, что междисциплинарным группам, реализующим исследовательские проекты и проекты, направленные на получение практического эффекта от применения машинного обучения и искусственного интеллекта в здравоохранении, было бы полезно явно рассмотреть ряд вопросов, касающихся прозрачности, воспроизводимости, этики и эффективности (TREE). Предлагаемые здесь 20 ключевых вопросов создают основу для исследовательских групп при планировании, проведении и представлении результатов исследований; для редакторов и рецензентов — при оценке вклада публикаций в научную литературу; а для пациентов, клиницистов и лиц, определяющих политику, — при критической оценке того, в каких случаях новые результаты могут принести пользу пациентам.