![]() Yapay zeka, tıbbi araştırmalarda kod paylaşımının eksiklerini ortaya koyduAI reveals gaps in code sharing in medical researchHabere gitRead the article Türkçe (otomatik çeviri) English (automatic translation) |
ÖzetSummaryMIT ve Dana-Farber ekibi, büyük dil modellerini (LLM) kullanarak yaklaşık 4.000 klinik tahmin çalışmasını taradı ve yüzlerce bağlantılı kod deposunu inceledi. Çalışmada, kod paylaşan çalışmaların sekizde bir oranında kaldığı ve paylaşılan kodların bile gerçek bir yeniden kullanım için gerekli dokümantasyondan sıklıkla yoksun olduğu görüldü. Nature Medicine dergisinde yayımlanan bu bulgular, tıbbi araştırmalarda kod paylaşımı için yeni bir raporlama kılavuzu olan TRIPOD-Code'un geliştirilmesine temel oluşturuyor.A team from MIT and Dana-Farber scanned approximately 4,000 clinical prediction studies using large language models (LLMs) and examined hundreds of linked code repositories. The study found that only one in eight studies shared code, and even when code was shared, it frequently lacked the documentation necessary for genuine reuse. Published in Nature Medicine, these findings form the basis for the development of TRIPOD-Code, a new reporting guideline for code sharing in medical research. |
Neden ÖnemliWhy it mattersKlinik tahmin modelleri doğrudan hasta bakım kararlarına yön veriyor. Bu modellerin nasıl geliştirildiğini denetleyememek, tıbbi yapay zekaya duyulan güveni zedeliyor. Çalışma, mevcut kılavuzların (TRIPOD, TRIPOD+AI) ele almadığı bir şeffaflık açığını sayısallaştırıyor. Binlerce makale ve yüzlerce depo ölçeğinde yapılan bu inceleme, manuel olarak gerçekleştirilmesi pratik olmayan bir işi mümkün kılıyor. 'İyi' kod paylaşımının nasıl olması gerektiğine dair bir kanıt tabanı oluşturarak dergilere ve yazarlara belirsiz teşvikler yerine somut beklentiler sunuyor.Clinical prediction models directly influence patient care decisions. The inability to audit how these models were developed undermines trust in medical AI. The study quantifies a transparency gap not addressed by existing guidelines (TRIPOD, TRIPOD+AI). Conducted at the scale of thousands of articles and hundreds of repositories, this review makes possible a task that would be impractical to perform manually. By establishing an evidence base for what 'good' code sharing looks like, it offers concrete expectations to journals and authors instead of vague incentives. |
Öne ÇıkanlarHighlights
|
EleştiriCritical takeYayınların ve depoların dağınık kod paylaşım beyanlarını analiz etmek için LLM'lere bağımlılık, yazarların da işaret ettiği bir sınıflandırma belirsizliği yaratıyor. Anlaşma düzeyi, yeniden kullanım için en kritik boyut olan dokümantasyon yeterliliğinde daha zayıf. Bu durum, başlıkta öne çıkan fark oranlarının önemli bir hata payı taşıdığı anlamına geliyor. Ayrıca çalışma yalnızca PubMed Central'daki açık erişimli makalelerle sınırlı. Bu nedenle, ücretli veya indekslenmemiş mecralardaki gerçek paylaşım oranı hâlâ bilinmiyor.Reliance on LLMs to analyze fragmented code-sharing declarations in publications and repositories creates classification ambiguity, a limitation also noted by the authors. Agreement levels were weaker on documentation adequacy, the most critical dimension for reuse. This implies that the disparity rates highlighted in the title carry a significant margin of error. Additionally, the study was limited to open-access articles in PubMed Central. Therefore, the actual sharing rate in paywalled or non-indexed venues remains unknown. |
