Badanie porównało kwantowe modele uczenia maszynowego z klasycznymi algorytmami na sześciu publicznych zbiorach danych klinicznych i wykazało, że żaden kwantowy system nie przewyższył znacząco swoich klasycznych odpowiedników. Kwantowa maszyna wektorów nośnych (QSVM) z czterema kubitami różniła się od klasycznego SVM z jądrem RBF zaledwie o -0,006 w AUROC, natomiast wariantowy klasyfikator kwantowy (VQC) osiągnął -0,007 w stosunku do najlepszego modelu klasycznego. Równoważnościowe testy wykazały, że modele kwantowe mieściły się w określonych marginesach błędu i były praktycznie nie do odróżnienia od klasycznych rozwiązań.
Badacze przeprowadzili kompleksową analizę obejmującą testy statystyczne parami z 25-krotną walidacją krzyżową i zaawansowane techniki ekwiwalencji. Zaskakującym wynikiem było odkrycie, że klasycznie trywialne jądro product-state działało równie dobrze co bardziej zaawansowane jądra z entanglementem kwantowym. Testy wytrzymałości pokazały, że wprowadzenie realistycznych problemów - takich jak szum depolaryzacyjny (p = 0,01) i ograniczona liczba pomiarów (1024 na wejście) - powodowało spadek wydajności QSVM o 0,054 w AUROC. Na zbiorze NHANES 2017-18 modele kwantowe były znacząco gorsze od najlepszych klasycznych alternatyw.
Autorzy zaproponowali nową ramę raportowania QML-Health-READY obejmującą osiem dziedzin, aby standaryzować sposób prezentowania badań porównawczych między modelami kwantowymi a klasycznymi. Ich praca rzuca wyzwanie powszechnym twierdzeniom o przełomowym potencjale QML w zastosowaniach klinicznych i podkreśla konieczność bardziej rygorystycznych, parowanych testów statystycznych w tego typu badaniach. Wyniki sugerują, że obecne kwantowe modele uczenia maszynowego nie stanowią praktycznej alternatywy dla sprawdzonych klasycznych metod w prognozowaniu klinicznym.