การประเมินข้อมูล 308,774 ระเบียนเปรียบเทียบโมเดลทำนายความเสี่ยงโรคหัวใจ โดย histogram gradient boosting ให้ PR-AUC 0.3177, AUROC 0.8407 และ Brier score 0.0633 พร้อมตรวจ calibration รายกลุ่มและ decision utility
ข้อค้นพบสำคัญ
- histogram gradient boosting ให้ PR-AUC 0.3177, AUROC 0.8407, Brier 0.0633 และ ECE 0.0045 การจำแนกคงที่ระหว่างกลุ่มย่อย แต่ calibration ต่างกันตามอายุและสุขภาพที่รายงานเอง และมี net benefit เป็นบวกในช่วง threshold 0.05–0.15
ทำไมจึงมีความสำคัญระดับโลก
งานย้ำว่าการนำ AI ทางคลินิกไปใช้ต้องประเมินมากกว่าความแม่นยำ โดยรวมทั้ง calibration ความไม่เท่าเทียมรายกลุ่ม และผลต่อการตัดสินใจที่ threshold จริง
บทบาทของนักวิจัยไทย
นักวิจัยมหาวิทยาลัยมหาสารคามเสนอกรอบ translational evaluation ที่เชื่อม explainability กับ calibration decomposition และ decision utility
ข้อจำกัดที่ควรรู้
เป็นข้อมูลทุติยภูมิและบทคัดย่อไม่ระบุแหล่งประชากรหรือการเก็บ label อย่างละเอียด ยังไม่มี external หรือ prospective validation และ calibration ที่ต่างระหว่างกลุ่มอาจเปลี่ยนเมื่อบริบทและความชุกเปลี่ยน