متأسفانه در بسیاری از مقالات حوزه تشخیص آریتمی قلبی با ECG، آنطور که باید به نحوه طراحی آزمایشها و ارزیابی مدل توجه نشده است و تعداد زیادی مقاله چاپ شده که اکثرا به روش اشتباه روش خودشون رو چاپ کردند.
یک مطالعه مروری در 2023 این روش هارو بررسی کرده که از این 357 مقاله، فقط 38 مقاله به شکل استاندارد روش خودشون رو ارزیابی کردند!اکثرا هم یک مدل با Accuracy بسیار بالا گزارش میشود، اما وقتی دقیقتر بررسی میکنیم، متوجه میشویم که نحوه تقسیم دادهها یا روش ارزیابی، قابلیت واقعی مدل برای تعمیم به بیماران جدید را نشان نمیدهد.
مشکل اینجاست که اگر ما هم صرفاً همان چارچوبهای رایج اما نادرست را تکرار کنیم، دیر یا زود با این مشکل جدی مواجه خواهیم شد؛ چه هدفمان چاپ یک مقاله علمی معتبر باشد و چه بخواهیم روزی از مدل در یک کاربرد بالینی واقعی استفاده کنیم.
☑️ به نظر من در پروژههای پزشکی، قبل از اینکه بپرسیم:«چه مدلی بسازیم که Accuracy بالاتری داشته باشد؟» باید بپرسیم:«چطور آزمایش را طراحی کنیم که عددی که به دست میآوریم واقعاً قابل اعتماد باشد؟»
🎥 در ویدیوی جدید، دقیقاً درباره همین موضوع صحبت کردهام و چارچوبی را که برای طراحی آزمایشها و ارزیابی روشهای تشخیص آریتمی قلبی از روی ECG دنبال کردم، توضیح دادهام؛ از Data Splitting و Validation گرفته تا ارزیابی Inter-subject، Cross-database و Cross-validation و چالشهایی که در مسیر وجود دارند.
اگر روی پایاننامه، مقاله یا پروژهای در زمینه ECG، تشخیص آریتمی، Machine Learning یا Deep Learning در پزشکی کار میکنید، فکر میکنم این ویدیو قبل از شروع آزمایشهای نهایی میتواند برایتان مفید باشد.
🎥 ویدئو
https://youtu.be/QugkVToJT4A?si=YDLHfGDqU20m_RpM
⭕️ جزییات بیشتر 👇
https://onlinebme.com/arrhythmia-detection-using-ecg-evaluation-paradigms/
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme
