Een internationaal team van onderzoekers, dat schrijft in het tijdschrift Nature Medicine, adviseert dat er goed op moet worden gelet dat machine learning (ML) in gezondheidsonderzoek niet wordt misbruikt of te veel wordt gebruikt."Ik geloof absoluut in de kracht van ML, maar het moet een relevante toevoeging zijn", zegt neurochirurg-in-opleiding en statistiekredacteur Dr. Victor Volovici, eerste auteur van het commentaar, van het Erasmus MC Universitair Medisch Centrum, Nederland."Soms presteren ML-algoritmen niet beter dan traditionele statistische methoden, wat leidt tot de publicatie van artikelen die geen klinische of wetenschappelijke waarde hebben."Praktijkvoorbeelden hebben aangetoond dat het misbruik van algoritmen in de gezondheidszorg menselijke vooroordelen in stand kan houden of onbedoeld schade kan veroorzaken wanneer de machines worden getraind op vooringenomen datasets."Velen geloven dat ML een revolutie teweeg zal brengen in de gezondheidszorg omdat machines objectiever keuzes maken dan mensen. Maar zonder goed toezicht kunnen ML-modellen meer kwaad dan goed doen", zegt universitair hoofddocent Nan Liu, senior auteur van het commentaar, van het Center for Quantitative Medicine en Health Services & Systems Research Program aan de Duke-NUS Medical School, Singapore."Als we door middel van ML patronen ontdekken die we anders niet zouden zien - zoals in radiologie- en pathologiebeelden - zouden we in staat moeten zijn om uit te leggen hoe de algoritmen daar zijn gekomen, om checks and balances mogelijk te maken."Samen met een groep wetenschappers uit het Verenigd Koninkrijk en Singapore benadrukken de onderzoekers dat hoewel er richtlijnen zijn opgesteld om het gebruik van ML in klinisch onderzoek te reguleren, deze richtlijnen pas van toepassing zijn nadat een beslissing is genomen om ML te gebruiken en niet vragen of of wanneer het gebruik ervan in de eerste plaats gepast is.Bedrijven hebben bijvoorbeeld met succes ML-algoritmen getraind om gezichten en wegobjecten te herkennen met behulp van miljarden afbeeldingen en video's.Maar als het gaat om het gebruik ervan in zorginstellingen, zijn ze vaak getraind in gegevens in de tientallen, honderden of duizenden."Dit onderstreept de relatieve armoede van big data in de gezondheidszorg en het belang om te werken aan het bereiken van steekproefomvang die is bereikt in andere industrieën, evenals het belang van een gecoördineerde, internationale inspanning voor het delen van big data voor gezondheidsgegevens", schrijven de onderzoekers. .Een ander probleem is dat de meeste ML- en deep learning-algoritmen (die geen expliciete instructies krijgen over de uitkomst) vaak nog als een 'black box' worden beschouwd.Zo publiceerden wetenschappers aan het begin van de COVID-19-pandemie een algoritme dat op basis van longfoto’s coronavirusinfecties kon voorspellen.Achteraf bleek dat het algoritme conclusies had getrokken op basis van de afdruk van de letter 'R' (voor 'Right Lung') op de foto's, die op de scans altijd op een iets andere plek te vinden was."We moeten af ​​van het idee dat ML patronen in data kan ontdekken die we niet kunnen begrijpen", zei dr. Volovici over het incident.“ML kan heel goed patronen ontdekken die we niet direct kunnen zien, maar dan moet je wel kunnen uitleggen hoe je tot die conclusie bent gekomen. Daarvoor moet het algoritme kunnen laten zien welke stappen het heeft gezet, en dat innovatie nodig."De onderzoekers adviseren dat ML-algoritmen moeten worden geëvalueerd aan de hand van traditionele statistische benaderingen (indien van toepassing) voordat ze in klinisch onderzoek worden gebruikt.En wanneer dit passend wordt geacht, moeten ze de besluitvorming van de clinicus aanvullen, in plaats van deze te vervangen."ML-onderzoekers moeten de grenzen van hun algoritmen en modellen erkennen om overmatig gebruik en misbruik te voorkomen, wat anders wantrouwen zou kunnen zaaien en de patiënt schade zou kunnen berokkenen", schrijven de onderzoekers.Het team werkt aan het organiseren van een internationale inspanning om begeleiding te bieden bij het gebruik van ML en traditionele statistieken, en ook om een ​​grote database met geanonimiseerde klinische gegevens op te zetten die de kracht van ML-algoritmen kunnen benutten.Zoals met alles wat u op internet leest, mag dit artikel niet worden opgevat als medisch advies;neem dan contact op met uw arts of eerstelijnszorgverlener voordat u uw welzijnsroutine wijzigt.Inhoud kan worden bewerkt voor stijl en lengte.https://www.duke-nus.edu.sg/allnews/media-releases/healthcare-researchers-must-be-wary-of-misusinghttps://www.duke-nus.edu.sg/http://dx.doi.org/10.1038/s41591-022-01961-6Onsterfelijkheid Nu!Met speciale gast Dr. Valter Longo bespreekt nieuwe ontdekkingen van vasten voor een lang levenEen interessant nieuw interview met Dr. Robert Goldman die een beetje vertelt over enkele van zijn verbazingwekkende prestaties die zijn indrukwekkende cv sieren.Onsterfelijkheid Nu!Gehost door Dr. Ron Klatz en co-host Carol Petersen, RPh, CNP met speciale gast Dr. David PerlmutterOnsterfelijkheid Nu!Gehost door Dr. Ron Klatz en co-host Carol Petersen, RPh, CNP met speciale gast Dr. Michelle Weiner DO, MPHOnsterfelijkheid Nu!Gehost door Dr. Ron Klatz en co-host Carol Petersen, RPh, CNP met speciale gast Dr. Daved RosensweetOnsterfelijkheid nu met speciale gast Jeff Bowles