The risk of round numbers and sharp thresholds in clinical practice
6 months ago
- #clinical decision-making
- #risk assessment
- #machine learning
- 临床决策常使用整数阈值将连续风险数据简化为离散等级，这种简化可能导致风险评估失真。
- 研究人员开发了可解释的机器学习模型，用于识别基于阈值的临床实践导致的异常现象，揭示了死亡率风险中的不连续性和反因果悖论。
- 真实世界数据分析表明，整数阈值会导致次优的患者结局，例如治疗决策失准和矛盾的风险模式。
- 模拟实验证实基于阈值的决策会产生统计假象，包括风险曲线中的不连续性和非单调性特征。
- 研究采用玻璃盒机器学习方法系统识别这些假象，发现尽管临床实践随时间有所改进，但仍存在认知偏差。
- 该研究强调医疗领域需要采用动态、细致的风险评估方法，通过使阈值与风险的连续性特征相匹配来改善患者预后。
- 研究结果表明，基于观察数据训练的AI模型可能混淆患者固有低风险与有效治疗实现的风险降低，从而导致误判。
- 研究呼吁定期重新评估临床指南，并采用透明、可解释的AI模型来纠正风险评估中的偏差。