Publicatie in CORR: Machine learning niet beter dan conventionele methoden voor voorspellen van revisie
Op 12 maart 2024 publiceerde CORR het artikel Machine Learning Did Not Outperform Conventional Competing Risk Modeling to Predict Revision Arthroplasty online.
Het onderzoek is gefinancierd met LROI-subsidie en uitgevoerd door Jacobien Oosterhoff, Anne de Hond, Rinne Peters, Liza van Steenbergen, Juliette Sorel, Wierd Zijlstra, Rudolf Poolman, David Ring, Paul Jutte, Gino Kerkhoffs, Hein Putter, Ewout Steyerberg, Job Doornberg en het Machine Learning Consortium. Zij concludeerden dat machine learning in dit onderzoek geen significant verschil liet zien ten opzichte van traditionele modellen bij het voorspellen van de kans op revisie van heup- of knieprothesen. De prestaties van het machine learning-model waren vergelijkbaar met die van conventionele modellen, en er was geen duidelijk voordeel te zien. Bovendien bleken zowel machine learning als conventionele methoden niet nauwkeurig genoeg te zijn om betrouwbare voorspellende informatie te bieden in deze context.
Bekijk ook de Nederlandse samenvatting met infographic.
Het onderzoek is gefinancierd met LROI-subsidie en uitgevoerd door Jacobien Oosterhoff, Anne de Hond, Rinne Peters, Liza van Steenbergen, Juliette Sorel, Wierd Zijlstra, Rudolf Poolman, David Ring, Paul Jutte, Gino Kerkhoffs, Hein Putter, Ewout Steyerberg, Job Doornberg en het Machine Learning Consortium. Zij concludeerden dat machine learning in dit onderzoek geen significant verschil liet zien ten opzichte van traditionele modellen bij het voorspellen van de kans op revisie van heup- of knieprothesen. De prestaties van het machine learning-model waren vergelijkbaar met die van conventionele modellen, en er was geen duidelijk voordeel te zien. Bovendien bleken zowel machine learning als conventionele methoden niet nauwkeurig genoeg te zijn om betrouwbare voorspellende informatie te bieden in deze context.
Bekijk ook de Nederlandse samenvatting met infographic.