一篇新论文探讨了电子健康记录（EHRs）中人工智能的评估，解决了可重复性方面的挑战，并定义了临床上有意义的任务。研究人员重新实现了12种算法，并在MIMIC-IV和NWICU数据集上进行了测试，将专家定义的任务与随机生成任务进行了比较。研究发现，算法比较在不同评估设置下基本保持一致，但临床上有意义的任务揭示了任务和方法之间更细微的交互作用。值得注意的是，在使用现代EHR表示时，梯度提升树在与新算法的竞争中仍然具有竞争力，这表明任务工程可能不像之前假设的那么关键。 AI
影响 这项研究表明，目前评估医疗保健领域人工智能的方法可能不像假设的那么复杂，这可能有助于简化新的健康AI工具的开发和采用。
排序理由 该集群包含一篇讨论AI方法论和评估的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2609.18134v1 Announce Type: cross Abstract: Methodological progress in artificial intelligence (AI) for electronic health records (EHRs) depends on our ability to determine which algorithms work better, and under which conditions. However, such progress is thought to be hin…
Methodological progress in artificial intelligence (AI) for electronic health records (EHRs) depends on our ability to determine which algorithms work better, and under which conditions. However, such progress is thought to be hindered by difficulties in reproducibility and in de…