Un examen systématique dirigé par Eiman Sahly et ses collègues compare des modèles statistiques intrinsèquement interprétables, tels que la régression logistique et les modèles de risques proportionnels de Cox, avec des approches d'intelligence artificielle explicable (XAI) pour prédire la récurrence du cancer du sein après le traitement primaire.
L'examen, enregistré dans PROSPERO sous CRD420251145602, vise à évaluer de manière critique les modèles publiés sur tout le spectre allant des boîtes noires aux boîtes grises et aux boîtes blanches. L'équipe termine actuellement l'extraction des données et sollicite des commentaires sur la question de l'examen, la stratégie de recherche et les outils d'évaluation tels que CHARMS, PROBAST+AI et TRIPOD+AI avant de passer à l'évaluation du risque de biais.
Les auteurs invitent les commentaires de collègues spécialisés dans le pronostic du cancer du sein, la modélisation prédictive, l'oncologie ou l'IA explicable/interprétable pour aider à identifier les lacunes méthodologiques et à esquisser les orientations futures pour des modèles pronostiques fiables.