超越P值：引入量化金融的风险与遗憾指标，用于学习健康系统中的AI

人工智能（AI）在临床环境中的日益增长的部署挑战了传统医学证据框架背后的根本假设。以随机对照试验为中心的经典统计方法——包括频繁假设检验和静态置信区间——是为固定干预在稳定条件下进行评估而设计的。相比之下，AI驱动的临床系统会持续学习，随时间调整其行为，并在由人口、实践和反馈效应驱动的非平稳环境中运行。在此类系统中，临床危害更多源于校准漂移、罕见但严重的失败以及随时间累积的次优决策，而非平均错误率。在本视角中，我们主张，当前的统计显著性概念对于描述学习健康系统中的证据和安全性尚不充分。我们拟从量化金融和在线决策理论中借鉴风险理论概念，主张以时间索引化的校准稳定性、有界下行风险和受控累积遗憾来重新构建自适应AI系统的医学证据。我们强调，这种方法并不取代随机对照试验或因果推断，而是通过解决部署后才会出现的风险和不确定性维度来补充它们。该框架为在持续学习条件下评估AI驱动的临床系统提供了原则性的数学语言，并对临床实践、研究设计和监管监督具有启示。