Annexe II.[1]
Inception
1. Quelle est la question de santé relative au bénéfice du patient ? 2. Quelles sont les preuves que le développement de l’algorithme s’est appuyé sur les bonnes pratiques en matière de recherche clinique et de conception d’études épidémiologiques ? Étude 1. Quand et comment les patients doivent-ils être impliqués dans la collecte, l’analyse, le déploiement et l’utilisation des données ? 2. Les données sont-elles appropriées pour répondre à la question clinique – c’est-à-dire, capturent-elles l’hétérogénéité pertinente du monde réel, et sont-elles suffisamment détaillées et de qualité ? 3. La méthodologie de validation reflète-t-elle les contraintes du monde réel et les procédures opérationnelles associées à la collecte et au stockage des données ? 4. Quelles sont les ressources informatiques et logicielles requises pour cette tâche, et les ressources disponibles sont-elles suffisantes pour résoudre ce problème ? Méthodes statistiques 1. Les mesures de performance rapportées sont-elles pertinentes pour le contexte clinique dans lequel le modèle sera utilisé ? 2. L’algorithme ML/AI est-il comparé à la meilleure technologie actuelle et à d’autres bases de référence appropriées ? 3. Le gain rapporté en performance statistique avec l’algorithme ML/AI est-il justifié dans le contexte de tout compromis ? Reproductibilité 1. Sur quelle base les données sont-elles accessibles aux autres chercheurs ? 2. Le code, le logiciel et toutes les autres parties pertinentes du pipeline de modélisation des prédictions sont-ils disponibles pour les autres afin de faciliter la reproductibilité ? 3. Y a-t-il une transparence organisationnelle concernant le flux des données et des résultats ? Évaluation de l’impact 1. Les résultats sont-ils généralisables à d’autres contextes que celui où le système a été développé (c’est-à-dire la reproductibilité des résultats/la validité externe) ? 2. Le modèle crée-t-il ou exacerbe-t-il des inégalités dans les soins de santé en fonction de l’âge, du sexe, de l’origine ethnique ou d’autres caractéristiques protégées ? 3. Quelles preuves existe-t-il que les cliniciens et les patients trouvent le modèle et ses résultats (raisonnablement) interprétables ? 4. Comment les preuves de l’efficacité du modèle en situation réelle dans le cadre clinique proposé seront-elles générées, et comment les conséquences involontaires seront-elles évitées ? Mise en œuvre 1. Comment le modèle est-il régulièrement réévalué et mis à jour en fonction de l’évolution de la qualité des données et des pratiques cliniques (c’est-à-dire le suivi post-déploiement) ? 2. La construction, la mise en œuvre et la maintenance du modèle ML/AI sont-elles rentables ? 3. Comment les bénéfices financiers potentiels seront-ils distribués si le modèle ML/AI est commercialisé ? 4. Comment les exigences réglementaires en matière d’accréditation/approbation ont-elles été traitées ? |
- Vollmer, S. et al. (2020) ” Machine learning and artificial intelligence research for patient benefit : 20 critical questions on transparency, replicability, ethics, and effectiveness “, BMJ 2020;368:l6927, http://dx.doi.org/10.1136/bmj.l6927. ↑