Cox proportional hazards model
是一種計算factor在time-series event中對outcome的hazard ratio的方法，
可以了解factor是否對survival (OS, PFS) 有影響。
基本假設是covariates在時間序列上對outcome的hazard ratio不變，
(covariates X1, X2, ..., Xp不是t函數)
這個假設做了非常大的前提，
比如性別在治療期間對outcome的HR都保持不變，
或者baseline的BMI對outcome的HR都保持不變（這個值得商榷）
因此計算時必須記得這樣的假設。
Ref: Li, R.C., Asch, S.M. & Shah, N.H. Developing a delivery science for artificial intelligence in healthcare. npj Digit. Med. 3, 107 (2020). https://doi.org/10.1038/s41746-020-00318-y
此篇文章探討醫療人工智慧應該發展的方向。過去醫療人工智慧常常是建立機器學習模型去預測單一疾病或死亡率等等。然而，醫療本身是複雜的，僅僅是預測疾病發生或是單純分類還遠遠不夠。必須要有效整合到醫療系統中並且實行(delievery AI)來改善醫療。
主要觀點包括：
1. Complex Adaptive Systems 複雜適應系統：醫療運作於複雜的系統中，AI必須設計得能適應這種複雜性。這不僅僅是部署一個ML模型的問題，而是設計一個整合了人員、流程和技術的綜合系統。
2. Multidisciplinary Approach 跨科部合作：成功地在醫療中實施AI需要跨科部合作，這中間會需要如設計思考(Design thinking)、實作、流程改善等等。
3. Evaluation and Implementation 評估與實施：AI解決方案不僅應該評估其是否能改善臨床結果，還應該評估其在現有醫療系統中的實施效果。文章建議使用像RE-AIM和SEIPS這樣的框架來評估這些維度。文章也舉例，如藥物臨床試驗在上市前經過嚴謹的流程確定有效性及安全性，甚至在做臨床試驗前都事先評估試驗如何進行能促進後續上市流程，醫療人工智慧研究也應該有類似的程序。
4. Ongoing Quality Control 持續的品質控制：文章強調需要對AI模型進行持續的監控和重新校準，以確保它們隨著後續仍然有效、穩定、及保持準確性。
心得：可以看到醫療人工智慧研究的演進已從單一模型分類疾病、預測疾病，轉變成如何實際運用改善醫療現況，這中間仍有相當大的改善空間，然而這也給了我們繼續研究的方向，也能真正改善人們的健康。
本篇文章部分修改自ChatGPT
