RELEAP: fenotipado activo de aprendizaje por refuerzo y eficiente en etiquetas para registros de salud electrónicos

Área de la Ciencia:

• Informática Biomédica; Aprendizaje Automático en Atención Médica; Soporte de Decisiones Clínicas

Sus antecedentes:

• La fenotipación de registros de salud electrónicos (EHR) a menudo utiliza etiquetas proxy ruidosas, lo que afecta la confiabilidad de la predicción de riesgos.; Los métodos de aprendizaje activo existentes no optimizan directamente el rendimiento de la predicción descendente.

Objetivo del estudio:

• Desarrollar un marco que utilice el rendimiento de la predicción descendente como retroalimentación para la corrección del fenotipo y la selección de muestras.; Mejorar la confiabilidad de la predicción de riesgos basada en EHR bajo presupuestos de etiquetado limitados.

Principales métodos:

• Se propuso el fenotipado activo de aprendizaje por refuerzo y eficiente en etiquetas (RELEAP), un marco de aprendizaje activo basado en aprendizaje por refuerzo.; RELEAP integra adaptativamente estrategias de consulta y actualiza su política en función de la retroalimentación del modelo descendente.; Se evaluó RELEAP en una cohorte del Duke University Health System para la predicción del riesgo de cáncer de pulmón incidente utilizando modelos de regresión logística y modelos de supervivencia penalizados de Cox.

Principales resultados:

• RELEAP mejoró con respecto a los puntos de referencia solo proxy y se acercó al rendimiento del oráculo.; El AUC logístico aumentó de 0.774 a 0.807; el índice de concordancia de supervivencia aumentó de 0.715 a 0.749.; Las ganancias de rendimiento fueron estables en todas las iteraciones y consistentes en análisis estratificados por sexo.

Conclusiones:

• RELEAP vincula el refinamiento del fenotipo con los resultados de la predicción, identificando muestras que mejoran la discriminación y calibración descendentes.; Ofrece una alternativa basada en principios a las reglas fijas de aprendizaje activo.; Proporciona un paradigma escalable y eficiente en etiquetas para la predicción de riesgos basada en EHR, reduciendo la revisión manual y mejorando la confiabilidad.