為什麼機器學習在製藥業
的
潛力取決於其透明度
儘管機器學習的創新非常快速，但是必須要考慮透過準確無誤的協議去確保其合規性和可靠性。
機器學習（ML）具有變革藥物開發流程和協助醫護人員治療護理病人的潛力
機器學習（ML）具有變革藥物開發流程和協助醫護人員治療護理病人的潛力，尤其是可以加速藥物開發過程中 的臨床研究環節和支援醫生合理用藥。
機器學習方面經常會被誤解
由於機器學習方面的知識是相對來說較新的、較複雜的，並且經常會被誤解， 因而機器學習通常讓人們覺得有點神秘，很多時候覺得它就像一個“黑盒子”。人們只能看到一個“黑匣子”吐出結論， 而無法看到用於產生結論的資料是如何在裡面被運作的。
機器學習是一種高度邏輯化、資料驅動型的技術
事實上，機器學習既不神奇也不抽象，而是一種高度邏輯化、資料驅動型的技術。雖然這個神秘的元素讓機器學習如此迷人和強大，但它也可能成為機器學習的致命弱點，讓不信任在醫藥行業的使用者中滋生開來，醫藥行業的使用者通常習慣於在高度監管的環境中工作，同時在這個環境裡強有力的 證據往往顯得非常重要。
良好機器學習實踐（GMLP）指導原則
為了增強信心並使機器學習技術的安全發展和道德發展標準化，美國食品藥品管理局、加拿大衛生部和美國藥品 與醫療產品監督機構最近推出了一套被稱為良好機器學習實踐（GMLP）的指導原則。雖然這是富有希望的確保機器 學習創新進步和採用率提高的第一步，但我們需要的不僅僅是一套應該做什麼的一般性建議。我們需要揭開演算法內部 運作的帷幕，以證明在其發展的每個階段都遵循了這些指導方針。
01
將資料科學和物理診斷的標準同步化
鑑於這些技術的快速發展，確保機器學習演算法以一種安全和合乎道德的方式開發比以往任何時候都更加重要，並且這使我們能夠在整個產品生命週期中對期望的利益和潛在的風險有一個清晰的理解。
例如，資料安全性和多樣性是影響人們對機器學習信任的諸多因素之一。這包括個人資料的獲取、儲存和如何合規使用，以及演算法提供的資料是否 代表預期的患者人數。
如果臨床醫生不相信這項技術是安全的，或者不能充分滿足病人的需要，那麼他們就極不可能 相信這項技術並在實踐中使用它。
開發人員操控機器學習
正如製藥公司需要為預期患者群體提供藥物有效的和謹慎的證據一樣，機器學習開發人員也應該遵循類似的標準。需要廣泛地跟蹤和記錄演算法是如何構建的、它的影響以及它的特定用例。只有這樣，我們才能幫助人們增強信心，相信這些工具是安全而準確地被製造出來的。
02
透過將機器學習標準化來建立信任
迄今為止，圍繞機器學習開發的監管在很大程度上依賴於開發人員良好的誠信，開發人員將遵循“良好科學”原則 並確保他們的演算法開發過程是合乎道德和安全標準的。
01
GMLP的引入是重要的第一步
它提供了強有力的建議，從開發獨立於訓練資料集的驗證資料集到應用可以在“現實世界”中被監控的模型的應用，這兩者都是關乎到演算法準確性的重要因素。
02
開發人員並不需要遵守這些指導原則
然而，開發人員並不需要遵守這些指導原則。它們純屬諮詢性質，目的是為今後的發展 提供一個框架，以努力提高使用者的信心和提升產品效能。也就是說當預測結果可能影響到病人的治療或醫療的未來時，僅僅有好的計劃是不夠的。
03
需要更多的證據和對模型的謹慎跟蹤
我們需要更多的證據和對模型的謹慎跟蹤，以使它在製藥贊助商和臨床醫生的眼中值得信賴。
03
透過使機器學習具有可追溯性來創造價值
建立對模型架構的信任的有效方法是實施可操作的監管標準，以確保可追溯性。
01
需要明確地定義機器學習的哪些方面應該是透明的
這就需要明確地定義機器學習的哪些方面應該是透明的。與其公佈一個模型的專有程式碼，它周圍的系統更能說明它的質量和準確性。
02
系統的工作流程
這個系統的工作流程包括我們如何收集資料，如何訓練演算法，如何生成特定的輸出內容等，都讓我們瞭解每個元件如何根據其用途、設計和效能組合在一起的。
03
機器學習的發展和進步
隨著時間的推移機器學習將繼續發展和進步，密切和持續的監察模型的效能，並在必要時對其進行改進，是其成長、安全及有關道德發展的關鍵部分。
04
創新是有意義的、安全的，並且不違背其發展的初心
儘管我們不想放慢這種快速創新的步伐，但我們還是希望確保這種創新是有意義的、安全的，並且不違背其發展的初心。鼓勵開發人員實現可追溯性協議並記錄演算法的開發，不僅可以讓醫療保健領域的終端使用者安心，還可以提高 整個行業對強大的機器學習技術最佳實踐方式的理解，從而使這個新興領域繼續進步。
