评估深度学习毒症预测模型在ICU在分布转移:一个多中心的回顾性队列研究
Fanny Tranchellini1, Youssef Farag1, Catherine Jutzeler1,2
1Department of Health Sciences and Technology, ETH Zurich, Zurich, Switzerland.
NPJ digital medicine
|March 3, 2026
概括
败血症预测模型由于数据转移而难以概括. 新的策略,如再培训和领域适应,超过了传统的微调,特别是随着数据的可用性变化.
科学领域:
- 关键护理医学 关键护理医学
- 医疗保健中的人工智能
- 生物医学信息学 生物医学信息学
背景情况:
- 在重症监护室 (ICU) 数据上训练的败血症预测模型通常由于分布转移而对外部数据集的概括性不佳.
- 现有的研究主要集中在直接模型部署或传统转移学习上,例如微调,对替代策略的探索有限.
研究的目的:
- 系统地评估和比较各种模型部署策略在分布转移下进行败血症预测.
- 量化统一的成年ICU队列中的数据转移,并评估不同目标数据可用性的不同策略的性能.
主要方法:
- 在三个协调成年人ICU队列 (HiRID,MIMIC-IV,eICU) 中进行量化分布转移,涉及216,536名患者住院.
- 他们比较了五种部署策略:泛化,微调/再培训,目标培训,监督域调整 (DA) 和融合培训.
- 在多个深度学习架构和四个目标数据制度 (没有,小,中,大) 中评估了战略.
主要成果:
- 与其他方法相比,微调始终表现不佳.
- 再培训和融合培训在小型和大型目标数据制度中分别表现出优异的表现.
- 监督域调整 (DA) 提供了最稳定的性能增长,特别是在中等目标数据制度中,改进了AUROC和正常化的AUPRC.
结论:
- 对于面临分布转移的败血症预测模型,常规微调并非最佳.
- 部署战略的选择应以目标数据的可用性和特定的操作环境为指导.
- 域调整和再培训/融合为泛化败血症预测模型提供了更强大,更有效的方法.
