要約
タイトル:健康やその先に向けた学習マシン
要約:
– 機械学習技術は、大規模なデータセットにあるパターンを特定するため、予測モデルの構築に効果的である。
– 複雑な現実の問題のモデルは、出版や概念の証明、あるいはある方法でのデプロイメントで止まることが多いが、医療分野でのモデルは、患者の人口統計情報が変化するたびに時代遅れになるリスクがある。
– ポスト出版時の予測モデルのメンテナンスとモニタリングは、長期的に安全で効果的に使用するために必須である。
– 機械学習技術は、利用可能なデータセットを解析するために訓練されるため、複雑な現実の問題のモデルのパフォーマンスは、出版時点やデプロイメント時点でピークに達して余すことなく残るわけではなく、データは時間の経過と共に変化するし、モデルが新しい人口統計に使用されるような新しい場所に輸送されると、データはまた変化することになる。
要約(オリジナル)
Machine learning techniques are effective for building predictive models because they are good at identifying patterns in large datasets. Development of a model for complex real life problems often stops at the point of publication, proof of concept or when made accessible through some mode of deployment. However, a model in the medical domain risks becoming obsolete as soon as patient demographic changes. The maintenance and monitoring of predictive models post-publication is crucial to guarantee their safe and effective long term use. As machine learning techniques are effectively trained to look for patterns in available datasets, the performance of a model for complex real life problems will not peak and remain fixed at the point of publication or even point of deployment. Rather, data changes over time, and they also changed when models are transported to new places to be used by new demography.
arxiv情報
著者 | Mahed Abroshan,Oscar Giles,Sam Greenbury,Jack Roberts,Mihaela van der Schaar,Jannetta S Steyn,Alan Wilson,May Yong |
発行日 | 2023-04-10 11:51:10+00:00 |
arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, OpenAI