机器学习（ML）方法在临床预测、诊断和决策支持方面显示出了巨大的潜力。最近的研究表明，涉及临床ML模型的研究在回顾性和计算机模拟验证环境中表现出强大的性能指标，通常通过利用复杂模型和多模态数据集来实现。尽管取得了这些进展，但仍然存在许多障碍，阻碍了ML模型从内部验证过渡到实际临床部署。这种脱节突显了模型泛化能力、透明度和在临床环境中的可访问性方面的持续挑战，这些问题需要在我们能够充分发挥ML在医疗保健领域的潜力之前得到解决。
本研究主题旨在探索将ML模型从理论开发阶段转化为实际临床应用的过程。虽然当前的ML研究经常强调AUC-ROC和准确率等性能指标，但这些指标对模型的真实临床价值提供的见解有限。为了将ML从“计算机”带到“病床”，研究必须考虑诸如模型可解释性、外部验证、真实世界测试、监管要求以及将这些模型无缝集成到临床工作流程中的关键方面。
为了进一步了解ML在医疗保健领域的转化过程，我们欢迎文章探讨但不限于以下主题：
- 临床环境或多中心数据集中的ML模型外部验证
- 真实临床环境中的ML模型影子测试
- 基于ML的临床决策支持工具的前瞻性试验和队列研究
- 用于临床部署的新框架，如局部可解释性方法或临床计算器平台
- ML实施中的监管、伦理和公平性考虑
- 可用性测试和人机交互，包括医生信任和警报疲劳
- ML部署的失败模式及从不成功实施中吸取的教训
提交的文章应强调转化相关性，并提供详细的方法论细节以支持可重复性。我们鼓励不仅关注模型开发的技术方面，还关注临床背景和适用性的研究。涉及通用大规模语言模型（LLMs）或AI聊天机器人的研究也欢迎，前提是这些模型针对临床目的进行了微调并在真实环境中进行了评估。我们鼓励来自数据科学、医学、实施科学和政策领域的跨学科观点，以促进全面讨论，推动ML在临床实践中的整合。
(全文结束)
