Data reuse enables cost-efficient randomized trials of medical AI models
通过数据复用降低医疗 AI 模型随机试验成本AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接研究随机试验的数据复用及其因果推断有效性。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
通过数据复用降低医疗 AI 模型随机试验成本
- 研究问题
- 当旧版与新版医疗 AI 风险模型对部分参与者作出一致预测时，能否复用已完成试验的数据以减少后续随机试验招募？
- 方法与思路
- 作者提出 BRIDGE 数据复用试验设计，根据模型预测一致性复用个体数据，并给出有效因果推断与第一类错误控制的检查清单。
- 材料陈述的贡献
- 摘要报告了多疾病数据中的模型一致性，并称乳腺癌筛查模拟中招募量减少 46.6%，同时维持所设定的 80% 检验功效。
- 阅读关注点
- 应核对可复用人群的选择、旧新试验干预与结局的一致性，以及数据复用的识别条件、随机化安排和错误率控制。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；招募节约来自所述模拟，摘要未展开检查清单条件，不能普遍外推。
原文摘要
Randomized controlled trials (RCTs) are indispensable for establishing the clinical value of medical artificial-intelligence (AI) tools, yet their high cost and long timelines hinder timely validation as new models emerge rapidly. Here, we propose BRIDGE, a data-reuse RCT design for AI-based risk models. AI risk models support a broad range of interventions, including screening, treatment selection, and clinical alerts. BRIDGE trials recycle participant-level data from completed trials of AI models when legacy and updated models make concordant predictions, thereby reducing the enrollment requirement for subsequent trials. We provide a practical checklist for investigators to assess whether reusing data from previous trials allows for valid causal inference and preserves type I error. Using real-world datasets across breast cancer, cardiovascular disease, and sepsis, we demonstrate concordance between successive AI models, with up to 64.8% overlap in top 5% high-risk cohorts. We then simulate a series of breast cancer screening studies, where our design reduced required enrollment by 46.6%--saving over US$2.8 million--while maintaining 80% power. By transforming trials into adaptive, modular studies, our proposed design makes Level I evidence generation feasible for every model iteration, thereby accelerating cost-effective translation of AI into routine care.