تحلیل کارآیی در کارآزمایی های بالینی: یک بروزرسانی: تحلیل کارآیی در عصر یادگیری ماشین ۲۰۱۹
Efficacy Analysis in Clinical Trials an Update: Efficacy Analysis in an Era of Machine Learning 2019

یادگیری ماشین و کلان داده ها موضوعات داغی هستند. با این حال، در کارآزمایی های بالینی تقریبا استفاده ای ندارند. دلیل این امر این است که تصادفی سازی برای هموار کردن متغیرهای متعدد به کار می رود.

پرونده های کامپیوتری مدرن پزشکی اغلب شامل صدها متغیر مانند ژن ها و سایر مقادیر آزمایشگاهی هستند و روش های محاسباتی سنگین مورد نیاز است.

این نخستین انتشار کارآزمایی های بالینی است که به طور سیستماتیک با یادگیری ماشین تجزیه و تحلیل شده اند. به علاوه، تمام تحلیل های یادگیری ماشین در برابر تحلیل های سنتی مورد آزمایش قرار گرفته اند. آمار گام به گام برای خودارزیابی نیز گنجانده شده است.

نویسندگان نتیجه می گیرند که یادگیری ماشین اغلب آگاهی بخش تر است و حساسیت های بهتری را در آزمایش نسبت به روش های تحلیلی سنتی ارائه می دهد.

Machine learning and big data is hot. It is, however, virtually unused in clinical trials. This is so, because randomization is applied to even out multiple variables

Modern medical computer files often involve hundreds of variables like genes and other laboratory values, and computationally intensive methods are required

This is the first publication of clinical trials that have been systematically analyzed with machine learning. In addition, all of the machine learning analyses were tested against traditional analyses. Step by step statistics for self-assessments are included

The authors conclude, that machine learning is often more informative, and provides better sensitivities of testing than traditional analytic methods do