.png){kind=icon}
返回
Equiflow: An open-source software package for evaluating changes in cohort composition
.png){kind=icon}
PRE
AI
DOI：10.1371/journal.pdig.0001342.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
临床研究通常应用排除标准和数据预处理步骤，这些步骤会显著改变数据集的组成，可能引入影响有效性和普遍性的隐藏偏差。这在人工智能/机器学习（AI/ML）研究中尤为重要，因为模型直接从训练数据中学习模式。我们开发了Equiflow，一个开源Python软件包，可自动创建增强型参与者流程图，追踪研究过程中样本量和组成的变化。Equiflow量化每个排除步骤中的分布变化，并生成可视化图表，显示关键临床和人口统计学变量在参与者选择过程中的演变。在一个来自eICU数据库的脓毒症患者案例研究中，连续排除将样本量从126,750例减少至1,094例。在数据处理最终步骤中要求非缺失肌钙蛋白测量值导致了显著的人口统计学变化，这些变化在传统报告中通常不可见。通过在建模开始前使队列构建过程中的组成偏差可视化，Equiflow使研究人员能够就分析做出明智决策，并向读者承认普遍性方面的局限性。这种标准化、开源的方法促进了临床研究的透明度，并支持更公平的临床AI系统的发展，以满足医疗保健日益依赖数据驱动决策的迫切需求。
Keyword:
HEALTH
CARE
RACE
期刊
P
IF:
0
论文数:
188
被引数:
0
机构
查看更多机构
引用论文
暂无论文信息