aizech/clinical-skills

model-validation

Designs and executes validation studies for radiology AI models to ensure clinical reliability and regulatory compliance.

Quelltext ansehen

Verwendung

  1. Installationsbefehl kopieren und das Quellpaket vor der Installation in der eigenen Agentenumgebung prüfen.
  2. Benötigte Werkzeuge, Zugangsdaten und Hosts im Original prüfen.
  3. Eingabe und gewünschtes Ergebnis beschreiben und die Ausgabe mit den Quellen abgleichen.
npx skills add https://github.com/aizech/clinical-skills --skill model-validation

Vor dem Start

  • Die Installation umfasst weder Modellabo noch API-Kontingent oder Dateizugriffsrechte.
  • Sterne und Installationen zeigen Aktivität, keine unabhängige Qualitäts- oder Sicherheitsprüfung.
Originales Skill-Dokument

Aus dem Quell-Repository gerendert; Überschriften, Beispiele, Code, Tabellen, Links und Bilder bleiben erhalten.

Model Validation Skill

Triggers

  • "validate model performance"
  • "external validation"
  • "statistical analysis"
  • "clinical validation"
  • "model comparison"
  • "regulatory submission"
  • "performance benchmarking"
  • "fairness audit"

Parameters

  • validation_type (required): Type of validation needed
  • internal - Retrospective internal dataset
  • external - Prospective/out-of-distribution testing
  • prospective - Clinical deployment study
  • regulatory - FDA/EMA submission prep
  • fairness - Subgroup disparity analysis
  • comparison - Head-to-head model comparison
  • model_task (required): Model's intended use
  • detection - Sensitivity, specificity, PPV, NPV
  • segmentation - Dice, IoU, Hausdorff distance
  • classification - Accuracy, AUC, F1 score
  • regression - MAE, RMSE, correlation
  • modality (optional): Imaging modality
  • regulatory_path (optional): Target clearance pathway

Validation Framework

Performance Metrics

TaskPrimary MetricsSecondary
DetectionSensitivity, Specificity, AUCPPV, NPV, FROC
SegmentationDice, IoUHausdorff, ASD
ClassificationAccuracy, AUC, F1Sensitivity, Specificity
RegressionMAE, RMSECorrelation, Bland-Altman

Statistical Methods

  • Confidence intervals (bootstrap, binominal)
  • Significance testing (McNemar, DeLong for AUC)
  • Power analysis for sample sizing
  • Multiple comparison correction
  • Subgroup interaction testing

Regulatory Standards

  • FDA 510(k) predicate comparison
  • FDA De Novo requirements
  • EU MDR clinical evaluation
  • IMDRF clinical evidence framework
  • ACR-SIIM AI performance standards

Output Format

Returns structured JSON with:

  • Validation protocol and methodology
  • Required sample size with power analysis
  • Statistical test selection and rationale
  • Results template with standard metrics
  • Interpretation guidelines
  • Regulatory compliance checklist

Usage Examples

validation_type: external
model_task: detection
modality: CT

validation_type: regulatory
model_task: classification
regulatory_path: 510k
aus demselben Repository

Weitere Skills

Alle Skills