评估将机器学习模型转移到低容量和不平衡的临床数据集的最佳方法:从预测丹麦创伤患者结果的经验中获得的经验

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的机器学习
• 临床预测模型临床预测模型

背景情况:

• 准确的患者结果预测对于医疗保健至关重要.
• 由于数据变化,外部模型可能在本地环境中表现不佳.
• 对比de-novo培训,直接移植和转移学习至关重要.

研究的目的:

• 评估de-novo,直接移植和转移学习方法,以预测创伤死亡率和住院时间.
• 确定适应外部风险预测模型与当地临床数据的最佳策略.
• 评估数据层次方法对预测准确性的影响.

主要方法:

• 使用了美国创伤质量改善计划 (TQIP) 和丹麦创伤数据库 (DTD) 数据集.
• 实施了de-novo培训,直接移植和转移学习模型.
• 经过测试的数据层面方法,包括混合数据集培训和对不平衡结果的类权重.

主要成果:

• 在混合数据集上的转移学习实现了高精度 (ROC-AUC 0.988,F2 0.866) 的死亡率预测.
• 当地的de-novo培训为预测住院时间提供了最佳结果 (ROC-AUC 0.890,F1 0.897).
• 当结果的可比性较低时,转移学习和本地培训是合适的.

结论:

• 模型选择取决于了解医疗保健系统之间的数据和工作流差异.
• 整合外部数据有助于预测的准确性,特别是对于低发病率或不平衡的结果.
• 转移学习或de-novo本地培训建议用于非可比结果的场景.