گائیڈ سے منسلک کوئز · درمیانہ سطح
فارما کوئز میں AI
استعمال کے سیاق و سباق، توثیق، ڈیٹا کی کوالٹی، تحقیقی ثبوت، لائف سائیکل کی دوبارہ تشخیص، اور فیصلے کا سراغ لگانا۔
سوال 1 کی 8
ایک ماڈل لیبارٹری ٹیسٹنگ کے لیے مرکبات کی درجہ بندی کرتا ہے۔ اس کی کارکردگی کی تشریح کرنے سے پہلے کیا بیان کیا جانا چاہیے؟
ہر سوال کا جائزہ لیں۔8 سوالات
جب آپ کوئز دیتے ہیں تو جوابات اور وضاحتیں ظاہر ہوتی ہیں۔
- ایک ماڈل لیبارٹری ٹیسٹنگ کے لیے مرکبات کی درجہ بندی کرتا ہے۔ اس کی کارکردگی کی تشریح کرنے سے پہلے کیا بیان کیا جانا چاہیے؟
- Only the model family name
- The number of dashboard charts
- The final commercial price
- Intended use, population, endpoint, and decision boundary
- طبی یا ریگولیٹری دعوے کے لیے سابقہ کارکردگی کیوں ناکافی ہے؟
- Historical data are never useful
- The validation may not match prospective context, population, or information timing
- Retrospective models cannot be evaluated
- A large test set guarantees approval
- بائیو مارکر ماڈل کی جانچ انہی سائٹس کے ریکارڈ پر کی جاتی ہے جو تربیت کے لیے استعمال ہوتی ہیں۔ کیا منتقلی کا سوال باقی ہے؟
- Whether it generalizes to a new study site or data conditions
- Whether the training loss reached zero
- Whether it has a polished interface
- Whether the feature names are alphabetized
- بیچ کے اثرات اور غائب پیمائش کا معائنہ کیوں کریں؟
- They only affect storage costs
- Missing data always improve generalization
- They can distort model inputs or create apparent patterns unrelated to the target
- Batch labels are equivalent to outcomes
- گائیڈ کا کہنا ہے کہ FDA/EMA AI اصول کیا کرتے ہیں؟
- Approve every model that follows a checklist
- Offer a framework for evidence and accountability, not blanket model approval
- Replace context-of-use validation
- Guarantee a regulatory submission succeeds
- A model is used to prioritize exploratory lab work. How should that result be described?
- As proof of clinical effectiveness
- As a validated patient outcome
- As a regulatory decision by itself
- As an exploratory hypothesis unless evidence supports a stronger claim
- When assay data or model versions change, what should the team do?
- Assume the prior validation remains unchanged
- Delete the previous protocol
- Use the documented reassessment trigger and evaluate the new setup
- Keep the old version in reporting only
- Why retain protocols, model outputs, and review decisions?
- They support traceability and later review of the evidence and decisions
- They guarantee the model is unbiased
- They eliminate monitoring
- They are substitutes for data provenance