健康经济学和结果研究专业协会 ISPOR 的官方期刊《健康价值》今天宣布发布针对健康经济学和结果研究 (HEOR) 和决策者使用一类重要人工智能技术的新指南.报告“健康经济学和结果研究中的机器学习方法——PALISADE 清单：ISPOR 机器学习工作组的良好实践报告”发表在 2022 年 7 月的《健康价值》杂志上。
“机器学习是 HEOR 工具包的潜在有价值的补充，”工作组联合主席兼主要作者 William Crown 博士和 William V. Padula 博士说。“它可以促进在高维数据集中搜索复杂的关系，例如由电子健康记录或移动健康设备生成的关系。这些关系可用于改进疾病的检测和分类，以识别具有共同特征的患者群体，这些特征可能“在使用传统方法仅考虑一小部分变量时并不明显，并在替代个性化治疗方案下预测健康结果的轨迹。在本报告中，工作组重点关注机器学习在 HEOR 中的潜在应用。”
作者确定了机器学习可以增强 HEOR 的 5 个方法学领域：
队列选择(即，识别在纳入标准方面具有更高特异性的样本)
识别健康结果的独立预测因子和协变量
健康结果的预测分析，包括高成本和/或危及生命的结果
通过目标最大似然估计或双重/去偏估计等方法进行因果推断——有助于更快地产生关于真实世界治疗效果的可靠证据
将机器学习应用于经济模型的开发，以减少成本效益分析中的结构、参数和抽样不确定性
为了检查机器学习是否为医疗保健分析提供了有用且透明的解决方案，工作组还开发了 PALISADE 清单。该清单提供了一系列考虑因素，研究人员可以使用这些考虑因素来探索机器学习是否为传统研究方法增加了价值。它可以作为平衡机器学习的许多潜在应用与方法开发和发现的透明度需求的指南。
标签：
免责声明：本文由用户上传，如有侵权请联系删除！