.png){kind=icon}
返回
FAIR4prep: FAIR clinical informatics data preprocessing in artificial intelligence applications
.png){kind=icon}
OA
AI
DOI：10.1038/s41597-026-07206-2.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
临床信息学中机器学习应用的可重复性高度依赖于数据准备。然而，预处理流程并未以系统、一致和标准化的方式报告，这限制了代码和数据集共享时的适应性和可重复性。为解决这一差距，我们提出了一套最佳实践，定义了临床信息学中报告预处理的最小化、可操作原则，并与FAIR原则（即可查找性、可访问性、可互操作性和可重用性）保持一致。我们的框架鼓励透明、一致且符合FAIR原则的数据准备步骤报告，使流程更容易理解、重用和跨研究比较。我们介绍了FAIR4prep，一种JSON-LD模式，它实现了这些最佳实践的机器可读FAIR对齐预处理。通过建立预处理文档的共享基准，本研究旨在提高可重复性、促进协作，并支持更可靠地转化为临床应用。
Keyword:
FAIR principles
clinical informatics
machine learning
data preprocessing
reproducibility
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
6.9
论文数:
3.7K
被引数:
3.8W
机构
引用论文
暂无论文信息