本文通过对100多篇机器学习应用于人类健康领域的研究论文进行系统评估，发现相较于其他机器学习领域，该领域在数据和代码可获取性等可重复性方面表现较差，因此提出了对数据提供者、学术出版商和ML4H研究社区的建议，以促进可重复性研究的发展。

Jul, 2019

该论文强调健康护理作为一个复杂系统，必须通过系统方法，推动机器学习算法的应用，以解决医疗挑战，并充分发挥电子病历的功能。

Sep, 2019

该研究探讨了使用机器学习指导临床决策可能加剧现有的健康差距问题的潜力，并分析了算法公平的适用性、技术限制以及与机器学习在医疗保健中使用相关的社会技术背景。研究结果表明，在对各组之间的预测分布差异进行惩罚的情况下，几乎所有团体内的多项绩效指标都会降低，并且算法公平性方法在消除健康差距方面仍存在许多有待解决的问题。

Jul, 2020

本文提供了一个实用的评估框架，用于可解释机器学习模型对于临床决策支持的贡献。研究揭示了ML解释模型的更加细致的作用，以及将其实用地嵌入临床背景的方法。 该研究发现，尽管医疗保健专业人员普遍对解释持有积极态度，但对于一定比例的参与者来说，存在负面影响，如确认偏差、过度依赖模型和增加与模型的交互的努力。此外，标准的解释模型显示出支持对模型限制进行关键理解的能力有限。但是，我们发现了具有新的显著积极影响的效果，重新定位了临床背景下解释的作用：包括减少自动化偏差、解决模糊的临床案例（医疗保健专业人员对其决策不确定的情况）并支持获取新领域知识的经验不足的医疗保健专业人员。

Apr, 2022

本研究总结了关于机器学习公平性的基本文献，并提出了一个框架，用于识别和减轻数据和模型中的偏见，以实现更公正和公平的公共卫生机器学习模型。

Apr, 2023

通过发布一份新的、包含6712位患者电子病历数据的纵向数据集EHRSHOT、以及一个141M参数的、预训练于257万位患者结构化病历数据的临床基础模型权重，在为医疗机器学习提供共享资产方面，该研究作出了贡献。

Jul, 2023

机器学习在临床微生物组学领域的应用具有良好的前景，需要高质量、可重复、可解释的工作流程以满足监管机构对临床工具设定的较高要求。本研究通过对2021-2022年发表的100篇同行评议的期刊文章进行深入分析，以数据驱动方法总结了目前监督式机器学习在微生物组学数据中的应用现状，并提供了关于实验设计的重要考虑因素，如如何减少小数据集大小的影响同时避免数据泄露。此外，还提供了关于如何避免常见的实验设计陷阱以提高模型性能、可信度和可重复性的指导。本文配有一个互动在线教程，旨在向微生物组学社区介绍机器学习实验设计的基本原则。正式规范监督式机器学习在微生物组学领域的最佳实践是提高临床研究的成功率和效率，造福患者和其他利益相关方的重要步骤。

Feb, 2024

通过研究机器学习中的数据泄露和出版偏见等因素，本研究提出了一种新颖的随机模型来估计真实准确性，并纠正了过度乐观的诊断结果，从而提供了更真实的机器学习性能评估。

May, 2024

在临床决策和预防现有医疗不公平中确保机器学习算法在所有患者群体中安全有效，不会对特定患者造成不利影响，对于医学信息学社区非常重要。本教程的目标是向医学信息学社区介绍机器学习中的公平常见概念，重点关注临床应用和实际实施。

Jun, 2024

使用改编自国际临床试验指南的估计框架，提出一种改进评估方法的方法，用于评估AI或机器学习模型的有效性和实用性，以揭示其潜在问题、原因和解决方案。

Jun, 2024