选择偏差对基于深度学习的手术内低血压预测模型的性能的影响,该模型使用来自公开数据库的真实世界样本
Hyun-Lim Yang1, Leo Anthony Celi2, Hyeonhoon Lee3
1Office of Hospital Information, Seoul National University Hospital, Seoul, Republic of Korea; Innovative Medical Technology Research Institute, Seoul National University Hospital, Seoul, Republic of Korea; Department of Medicine, Seoul National University College of Medicine, Seoul, Republic of Korea.
British journal of anaesthesia
|May 22, 2025
概括
数据集中的选择偏差显著影响低血压预测模型的性能. 深度学习模型在不偏见的数据上显示出更差的结果,突出了需要仔细验证的需要.
科学领域:
- 麻醉学 麻醉学
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
背景情况:
- 现有模型使用动脉压波形来预测手术内低血压.
- 训练和验证数据集中的选择偏差可能会损害模型性能.
- 这项研究评估了对深度学习 (DL) 和仅平均动脉压 (MAP) 低血压预测模型的选择偏差效应.
研究的目的:
- 评估选择偏差对仅用DL和MAP模型预测手术内低血压的预测性能的影响.
- 为了比较使用有偏见与无偏见数据集的模型性能.
主要方法:
- 利用VitalDB的开放数据集,将低血压事件定义为MAP <65 mm Hg1分钟.
- 通过排除特定的非低血压期并确保与低血压事件保持距离,创建了一个"有偏见的数据集".
- 开发了一个"不偏见的数据集",包括所有未属于已经包含的低血压事件部分的样本.
主要成果:
- 总体而言,DL模型的表现优于仅用于MAP的模型.
- 对于5分钟的低血压预测,DL模型在公正数据集上显示了18.1个警报/小时和0.068的PPV,而在偏向数据集上显示了10.8个警报/小时和0.937的PPV.
- 这两种模型在无偏见的数据集上表现较差,而在有偏见的数据集上表现较差.
结论:
- 只有DL和MAP的模型在对无偏见的数据集进行验证时,预测性能降低.
- 虽然DL模型显示了统计上的优势,但与仅使用MAP模型相比,临床差异并不显著.
- 临床医生必须考虑选择偏差对低血压预测模型的验证和现实世界的性能的影响.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.4K
14:08Automated Midline Shift and Intracranial Pressure Estimation based on Brain CT Images
Published on: April 13, 2013
42.8K
