Editorial Ilmu Komputer & AI
Open AccessOA2024
TRIPOD+AI: Panduan Pelaporan Terbaru untuk Model Prediksi Klinis dengan Regresi atau Machine Learning
TRIPOD+AI memperbarui pernyataan TRIPOD 2015 untuk menyediakan panduan pelaporan terpadu bagi model prediksi klinis yang dikembangkan dengan regresi atau machine learning. Panduan ini memperkenalkan daftar periksa 27 item dan daftar periksa abstrak untuk meningkatkan transparansi dan reproduktifitas.
Gary S. Collins; K. Moons; P. Dhiman; R. Riley; A. Beam; B. van Calster; Marzyeh Ghassemi; Xiaoxuan Liu; Johannes B. Reitsma; M. van Smeden; A. Boulesteix; Jennifer Camaradou; L. Celi; S. Denaxas; A. Denniston; Ben Glocker; Robert M Golub; Hugh Harvey; G. Heinze; Michael M. Hoffman; A. Kengne; Emily Lam; Naomi Lee; Elizabeth W. Loder; Lena Maier-Hein; B. Mateen; Melissa D. McCradden; Lauren Oakden-Rayner; Johan Ordish; Richard Parnell; S. Rose; Karandeep Singh; L. Wynants; Patricia Logulloยท British medical journalยท 2024ยท DOI 10.1136/bmj-2023-078378
Masalah inti
Pernyataan TRIPOD (Transparent Reporting of a multivariable prediction model for Individual Prognosis Or Diagnosis) diterbitkan pada 2015 untuk memberikan rekomendasi pelaporan minimum bagi studi yang mengembangkan atau mengevaluasi model prediksi. Sejak saat itu, kemajuan metodologis mencakup penggunaan luas artificial intelligence (AI) yang didukung metode machine learning untuk mengembangkan model prediksi. Hal ini menuntut pembaruan pernyataan TRIPOD. TRIPOD+AI menyediakan panduan yang diselaraskan untuk pelaporan studi model prediksi, terlepas dari apakah pemodelan regresi atau metode machine learning yang digunakan. Daftar periksa baru ini menggantikan daftar periksa TRIPOD 2015, yang tidak boleh lagi digunakan. Tujuannya adalah mendorong pelaporan yang lengkap, akurat, dan transparan, memfasilitasi penilaian studi, evaluasi model, dan implementasi model.
Inovasi
Pengembangan TRIPOD+AI mengikuti proses ketat yang melibatkan tim ahli multidisiplin. Penulis melakukan tinjauan komprehensif terhadap literatur yang ada dan mengumpulkan umpan balik dari komunitas pemodelan prediksi. Daftar periksa yang diperbarui diperluas menjadi 27 item, dengan penjelasan lebih rinci untuk setiap rekomendasi pelaporan. Selain itu, daftar periksa terpisah untuk abstrak (TRIPOD+AI for Abstracts) dibuat untuk memastikan transparansi bahkan dalam format yang dipadatkan. Proses pengembangan memastikan bahwa panduan ini dapat diterapkan pada pendekatan regresi maupun machine learning, menjawab tantangan unik yang ditimbulkan oleh metode AI, seperti prapemrosesan data, penyetelan hyperparameter, dan interpretabilitas model.
Pendahuluan
Pernyataan TRIPOD (Transparent Reporting of a multivariable prediction model for Individual Prognosis Or Diagnosis) diterbitkan pada 2015 untuk memberikan rekomendasi pelaporan minimum bagi studi yang mengembangkan atau mengevaluasi model prediksi. Sejak saat itu, kemajuan metodologis mencakup penggunaan luas artificial intelligence (AI) yang didukung metode machine learning untuk mengembangkan model prediksi. Hal ini menuntut pembaruan pernyataan TRIPOD. TRIPOD+AI menyediakan panduan yang diselaraskan untuk pelaporan studi model prediksi, terlepas dari apakah pemodelan regresi atau metode machine learning yang digunakan. Daftar periksa baru ini menggantikan daftar periksa TRIPOD 2015, yang tidak boleh lagi digunakan. Tujuannya adalah mendorong pelaporan yang lengkap, akurat, dan transparan, memfasilitasi penilaian studi, evaluasi model, dan implementasi model.
Mengapa penting
TRIPOD+AI merupakan langkah maju yang signifikan dalam pelaporan model prediksi klinis. Dengan menyelaraskan panduan untuk metode regresi dan machine learning, panduan ini menjawab kebutuhan yang berkembang akan transparansi dalam penelitian yang digerakkan AI. Pelaporan yang lengkap akan memfasilitasi penilaian studi, evaluasi model, dan implementasi dalam praktik klinis. Daftar periksa ini mendorong peneliti untuk memberikan detail yang cukup untuk reproduktifitas dan menghindari pelaporan yang bias atau tidak lengkap. Adopsi TRIPOD+AI oleh jurnal dan peneliti diharapkan meningkatkan kualitas studi model prediksi dan pada akhirnya meningkatkan perawatan pasien. Pembaruan di masa depan mungkin diperlukan seiring metodologi terus berkembang.
Siapa yang sebaiknya membaca
Pembaca Research Digest dan praktisi rumpun ini.
Membuka konten memberโฆ