BMC Medicine

Nghiên cứu trí tuệ nhân tạo (AI) trong chăm sóc sức khỏe đang tăng tốc nhanh chóng, với các ứng dụng tiềm năng được minh chứng trong nhiều lĩnh vực y học. Tuy nhiên, hiện nay chỉ có một số ít ví dụ thành công về những kỹ thuật này được triển khai vào thực tiễn lâm sàng. Bài báo này khám phá những thách thức và hạn chế chính của AI trong chăm sóc sức khỏe và xem xét các bước cần thiết để chuyển đổi các công nghệ có thể biến đổi này từ nghiên cứu sang thực tế lâm sàng.

Những thách thức chính cho việc chuyển giao các hệ thống AI trong chăm sóc sức khỏe bao gồm những thách thức nội tại của khoa học học máy, khó khăn về mặt logistics trong việc thực hiện và cân nhắc đến rào cản áp dụng cũng như những thay đổi cần thiết về văn hóa xã hội hay quy trình. Đánh giá lâm sàng chặt chẽ qua các thử nghiệm ngẫu nhiên đối chứng nên được xem là tiêu chuẩn vàng để tạo ra bằng chứng, nhưng thực hiện những điều này trong thực tế có thể không phải lúc nào cũng phù hợp hoặc khả thi. Các chỉ số hiệu suất nên nhằm mục tiêu nắm bắt được tính ứng dụng lâm sàng thực sự và dễ hiểu đối với người dùng dự kiến. Quy định cân bằng giữa tốc độ đổi mới và khả năng gây hại cùng với sự giám sát sau thị trường chu đáo là rất cần thiết để đảm bảo rằng bệnh nhân không bị phơi nhiễm với các can thiệp nguy hiểm cũng như không bị thiếu cơ hội tiếp cận với các đổi mới có lợi. Cần phát triển các cơ chế để so sánh trực tiếp các hệ thống AI, bao gồm sử dụng các bộ thử nghiệm độc lập, địa phương và đại diện. Các nhà phát triển thuật toán AI cần phải cảnh giác với các nguy cơ tiềm ẩn, bao gồm sự thay đổi trong tập dữ liệu, việc vô tình gán khớp những yếu tố gây nhiễu, sự thiên vị phân biệt không mong muốn, thách thức của sự tổng quát hóa cho các dân số mới, và các hậu quả tiêu cực không mong muốn của các thuật toán mới đối với kết quả sức khỏe.

Việc chuyển đổi an toàn và kịp thời từ nghiên cứu AI sang các hệ thống đã được xác nhận lâm sàng và điều tiết một cách thích hợp, có thể mang lại lợi ích cho mọi người, đang đối mặt với nhiều thách thức. Đánh giá lâm sàng mạnh mẽ, sử dụng các chỉ số dễ dàng tiếp cận với các bác sĩ lâm sàng và lý tưởng vượt ra ngoài các biện pháp để bao gồm chất lượng chăm sóc và kết quả của bệnh nhân, là rất cần thiết. Cần thực hiện thêm công việc để (1) xác định các chủ đề về thiên vị và thiếu công bằng trong thuật toán trong khi phát triển các giải pháp để giải quyết chúng, (2) giảm sự mỏng manh và cải thiện khả năng tổng quát hóa, và (3) phát triển các phương pháp cải tiến khả năng giải thích của dự đoán học máy. Nếu đạt được những mục tiêu này, lợi ích cho bệnh nhân chắc chắn sẽ mang tính cách mạng.

The assessment of calibration performance of risk prediction models based on regression or more flexible machine learning algorithms receives little attention.

Herein, we argue that this needs to change immediately because poorly calibrated algorithms can be misleading and potentially harmful for clinical decision-making. We summarize how to avoid poor calibration at algorithm development and how to assess calibration at algorithm validation, emphasizing balance between model complexity and the available sample size. At external validation, calibration curves require sufficiently large samples. Algorithm updating should be considered for appropriate support of clinical practice.

Efforts are required to avoid poor calibration when developing prediction models, to evaluate calibration when validating models, and to update models when indicated. The ultimate aim is to optimize the utility of predictive analytics for shared decision-making and patient counseling.

In recent decades, the prevalence of obesity in children has increased dramatically. This worldwide epidemic has important consequences, including psychiatric, psychological and psychosocial disorders in childhood and increased risk of developing non-communicable diseases (NCDs) later in life. Treatment of obesity is difficult and children with excess weight are likely to become adults with obesity. These trends have led member states of the World Health Organization (WHO) to endorse a target of no increase in obesity in childhood by 2025.

Estimates of overweight in children aged under 5 years are available jointly from the United Nations Children’s Fund (UNICEF), WHO and the World Bank. The Institute for Health Metrics and Evaluation (IHME) has published country-level estimates of obesity in children aged 2–4 years. For children aged 5–19 years, obesity estimates are available from the NCD Risk Factor Collaboration. The global prevalence of overweight in children aged 5 years or under has increased modestly, but with heterogeneous trends in low and middle-income regions, while the prevalence of obesity in children aged 2–4 years has increased moderately. In 1975, obesity in children aged 5–19 years was relatively rare, but was much more common in 2016.

It is recognised that the key drivers of this epidemic form an obesogenic environment, which includes changing food systems and reduced physical activity. Although cost-effective interventions such as WHO ‘best buys’ have been identified, political will and implementation have so far been limited. There is therefore a need to implement effective programmes and policies in multiple sectors to address overnutrition, undernutrition, mobility and physical activity. To be successful, the obesity epidemic must be a political priority, with these issues addressed both locally and globally. Work by governments, civil society, private corporations and other key stakeholders must be coordinated.