GRSR - a guideline for reporting studies results for machine learning applied to Electroencephalogram data

Resumo

A última década foi marcada pelo aumento da pesquisa em neurociência envolvendo aprendizagem de máquina (Machine Learning, ML) e imagens médicas, como eletroencefalograma (Electroencephalogram, EEG). Como modelos de ML tendem a ser sensíveis aos dados de entrada, diferentes estratégias no design do experimento afetam significativamente os resultados. Portanto, a ausência de dados sobre o experimento torna difícil compará-los. Em média 53% dos dados críticos estavam faltando nos artigos recuperados, dificultando uma comparação justa; todos os artigos recuperados seriam considerados com alto “risco de viés" (ARV) e como tendo "preocupações quanto à aplicabilidade" (PA) por uma análise do Quadas-2. Isso corrobora a falta de uma diretriz para fornecer um modelo padrão para artigos primários nesse campo. Este trabalho apresenta o GRSR, um protocolo de orientação para estudos primários, cobrindo dados críticos para serem demonstrados em estudos utilizando EEG e ML com objetivo de analisar distúrbios neurológicos. Seguir todas as etapas do GRSR pode reduzir a chance de ser avaliado como tendo ARV e PA com base no Quadas-2. Isso resulta em uma melhoria no campo de pesquisa, permitindo a comparação real entre os resultados relatados, estreitando assim a busca pelos melhores métodos para diagnósticos de distúrbios neurais usando ML e EEG.