Какие метрики качества модели использовались в медицинском стартапе? Почему именно такие пороговые значения?

В медицинских стартапах часто используют метрики качества модели, которые отражают баланс между чувствительностью (recall) и специфичностью (specificity), а также точностью (precision) и полнотой. Например, такие метрики как AUC-ROC, F1-score, sensitivity и specificity помогают оценить, насколько модель правильно выявляет больных и не ошибается с диагнозом.

Пороговые значения выбираются исходя из клинической значимости: например, высокая чувствительность важна, чтобы не пропустить больных, даже если это приводит к некоторому числу ложноположительных результатов. Порог может устанавливаться так, чтобы чувствительность была не ниже 90%, а специфичность — максимально возможной при этом уровне. Это помогает минимизировать риски для пациентов и повысить доверие к системе.

Пример: если модель диагностирует рак, то лучше иметь меньше пропущенных случаев (высокая чувствительность), даже если придется дополнительно проверять некоторых здоровых (ложноположительные).