引導式測驗 · 中等 等級
將醫療人工智慧工具作為臨床醫生測驗進行評估
測試判斷供應商驗證數據、為什麼陽性預測值和校準在當地很重要,以及 FDA 510(k) 許可顯示的內容。
問題 1 的 8
供應商報告其惡化模型的 AUC 為 0.85。指引上說這個數字沒有告訴醫院什麼意思?
預覽每個問題8 問題
當您參加測驗時,就會出現答案和解釋。
- 供應商報告其惡化模型的 AUC 為 0.85。指引上說這個數字沒有告訴醫院什麼意思?
- 模型對供應商自己的資料集中的案例進行排名的效果如何
- 模型是否是透過機器學習建構的
- 該工具將如何處理醫院自己的患者、工作流程和警報閾值
- 該模型是否可以安裝在 EHR 中
- 發表在《JAMA Internal Medicine》上的 2021 年專有敗血症模型的外部驗證發現了什麼?
- 歧視比開發商報告的要弱得多,有許多漏檢案例和頻繁的警報
- 性能與開發人員的數據相同
- 外部站點的效能優於開發站點的效能
- FDA 已撤銷該型號的許可
- 模型在影響 10% 患者的情況下得到驗證。為什麼它可能會在一個只有 2% 的設備出現這種情況的設備上產生更多的誤報?
- 校準總是在較低盛行率下得到改善
- 當盛行率下降時,AUC 自動下降
- 患病率較低時敏感性急劇上升
- 陽性預測值取決於盛行率,因此當病情較罕見時,較大比例的警報是錯誤的
- 根據指南,大多數人工智慧醫療設備透過什麼途徑進入美國市場?
- 由隨機試驗支持的上市前批准
- 510(k) 途徑,基於與現有設備的實質等效性
- 沒有 FDA 任何形式的審查
- 緊急使用授權
- 什麼是臨床人工智慧模式的靜默或影子部署?
- 將警報通知靜音
- 供應商在未告知客戶的情況下更新模型
- 讓模型對活體患者進行評分,而不向臨床醫生顯示結果,以便可以測量局部表現
- 僅在夜班期間運行模型
- 皮膚科小組了解到,在分類器的訓練影像中,較深的膚色很少見。這涉及哪個評估領域?
- 部署後監控
- 偏差,意味著患者亞組的表現
- 監管狀況
- 警報閾值選擇
- 模型將 30% 的風險分配給一組患者,但其中只有 10% 的患者能夠繼續獲得結果。這說明什麼問題?
- AUC 必然較低
- 實質等效失敗
- 高陽性預測值
- 校準不良
- 上線後,醫院改用新的實驗室檢測,模型的數值也會改變。指南對此有何稱呼?應如何處理?
- 輸入漂移,持續監控應偵測到
- 算法厭惡,應該透過訓練來解決
- FDA 處理的實質等同性
- 流行率轉變,無需採取行動