厚数据分析 (TDA):用于算法改进的代和诱导框架

科学领域:

• 医疗信息学 医疗信息学
• 临床决策支持 临床决策支持
• 医疗保健中的人工智能

背景情况:

• 在开发预测模型和在现实世界中安全,有效地部署高风险场景之间存在很大的差距.
• 人类专家推理对于识别模型局限性和确保临床决策过程中患者安全至关重要.
• 现有的统计模型往往无法利用可观测量之外的现实世界数据的全部范围.

研究的目的:

• 引入一个厚数据分析 (TDA) 框架,将专家的人类洞察力纳入模型评估中.
• 通过利用定性专家知识来解决纯粹数据驱动方法的局限性.
• 提高临床实践中风险预测模型的安全性,可操作性和可接受性.

主要方法:

• 提出了一个厚数据分析 (TDA) 框架,以提取和结合专家见解与模型预测.
• 开发了一个抽样程序,以确定用于深入专家审查的信息性案例.
• 利用专家对问题制定和数据解释的反来完善模型开发和部署策略.

主要成果:

• 展示了专家的见解如何识别标准统计输入之外的更丰富的信息来源.
• 展示了专家重新框架和重新评估预测问题的价值,以便在现实世界中应用.
• 通过综合的专家反来说明风险预测模型的代改进.

结论:

• 厚数据分析 (TDA) 提供了一个结构化的方法,将基本的人类专业知识纳入预测模型评估中.
• 整合专家见解导致更安全,更可操作和临床上可接受的风险预测模型.
• 这一框架促进了代模型的开发,最终提高了在重症监护机构的决策.