Please enable JavaScript.
Coggle requires JavaScript to display documents.
TD (ARTICLE 2 : Common pitfalls and recommendations for using machine…
TD
ARTICLE 2 : Common pitfalls and recommendations for using machine learning to detect and prognosticate for COVID-19 using chest radiographs and CT scans
Méta-analyse - 2000 études -> 62 incluses (sur les des algorithmes publiés autour du COVID dans l'imagerie)
-
-
QUESTIONS
- Comment pouvez-vous extrapoler les critiques déjà faites aux études cliniques plus traditionnelles, avec celles qui emploient du machine learning ? En quoi ces dernières sont-elles plus inquiétantes ?
-
-
Comment les PDS/Décideurs peuvent ils avoir un regard critique sur les résultats, pour leur utilisation sur le terrain auprès / impact patient
- Quelles sont les critiques faites par l’auteur du 1ème article qui sont vérifiées par l’analyse réalisée dans le 2ème article ?
Avoir la même rigueur scientifique, dans le développement d'algo de ML, que dans les études "classiques"
-
-
-
-
Donner des intervalles de confiance de leurs performances / tester robustesse, sensibilité, généralisation du modèle / critiquer les résultats
-
- Comment la méthodologie présentée dans le 3ème article pourrait avoir une influence dans la survenue de ces difficultés dans l’implémentation de l’IA en santé ?
Améliorer l'impact de l'innovation en se concentrant sur une solution adaptée à une problématique clinique réelle
Being intentional about matching the algorithm to the problem, and not the other way around
Montrer l'efficacité par rapport aux méthodes traditionnelles / Avoir des indicateurs rigoureux pour évaluation / Impact médico-économique pour évaluer pertinence
-
Intégration de médecins/scientifiques pour designer l'études/définir la problématique /algo et évaluer la pertinence et les outcomes
-
Un engouement pour les solutions d'IA (COVID) - Cependant une inondation de la littérature scientifique
Un manque de méthodologie dans les process et un manque de présence médicale dans les études.
On pourrait imaginer une grille de lecture / guidelines sur comment décrypter les études et indicateurs d'IA, en lien avec la dimension clinique
Davantage de méthodologie médicale et un plus fort cadrage scientifique des études devrait permettre une meilleure acceptabilité des solutions développées, à la fois dans l'analyse des résultats et dans le passage dans les pratiques
Baisse de l'examen "radio" dans le diagnostic COVID au fur et à mesure du gain de connaissance sur la maladie
Disproportion entre le volume d'article/recherche en radio, et l'intérêt clinique
Moins bonne rigueur des constructions d'algo / pas même méthodo que pour étude clinique / manque de force statistique et renforcement des effets "boites noires"
-
-
