تُعد اختبارات الفحص العالي (High-throughput screening - HTS) محورًا أساسيًا في اكتشاف الأدوية في مراحلها الأولى، غير أنها غالباً ما تواجه تحديات كبيرة بسبب نقص البيانات. حيث تعتمد الاختبارات الأولية على تكرار واحد لكل مادة اختبار، مما يؤدي إلى صعوبة تقدير معايير الأداء المستخدمة في التعلم الآلي مثل الحساسية (sensitivity) والتميز (specificity) ومنطقة تحت منحنى التشغيل (AUROC). يحدث هذا القيود لأنه من الضروري الحصول على عينات مصنفة بحجم كافٍ.

ولكن الباحثين قاموا بتقديم إطار عمل معتمد على نموذج يستخلص هذه المعايير من الفرق المعياري الموحد (SSMD)، وهو مقياس تأثير مُعتمد في اختبارات الفحص العالي. بموجب فرضية التوزيع الغوسي المتساوي التباين، تم تطوير علاقات مغلقة تربط SSMD بالحساسية والتميز الأمثل من يودن (Youden), مما يوفر مقدرات صريحة وفواصل ثقة دقيقة.

تظهر الدراسات أنه، بخلاف القوة الإحصائية التقليدية، فإن القياسات المستندة إلى SSMD تعكس بدقة الفجوة الحقيقية بين المجموعات. وهذا يجعلها أداة حيوية ومهمة لتحديد الاختيارات المثلى لنجاح الأدوية.

في تجربة فحص أولية لفيروس الالتهاب الكبدي C، تم تطبيق هذا الإطار على أكثر من 22,000 قياس تمثل نتائج فردية، وأظهرت النتائج أن العتبات المستندة إلى SSMD وAUROC والحساسية تنتج مجموعات متشابهة ومقروءة من النتائج.

باختصار، يُعد هذا العمل جسرًا بين إحصاءات HTS التقليدية ونظرية تقييم التعليم الآلي، مما يوفر وسيلة مبدعة للإعلان عن أداء التصنيف في سيناريوهات الفحص المنخفض التكرار.