用于手术室临床决策支持的因子化广义加性模型
机器学习
2019-07-31 v1 机器学习
摘要
逻辑回归（LR）因易于部署和解释而广泛用于临床预测。然而，作为线性模型，LR 表达能力有限且性能常不尽如人意。广义加性模型（GAMs）通过输入特征的变换扩展了线性模型，但并非所有 GAM 变体都允许特征交互。本文中，我们提出一种因子化广义加性模型（F-GAM），在保持对目标特征可解释性的同时，允许与个体内固定特征进行丰富交互建模。我们在来自单中心数据库的两个目标预测（术后急性肾损伤与急性呼吸衰竭）上评估 F-GAM。我们发现，相较于其他几种 GAM 实现、随机森林、支持向量机和深度神经网络，F-GAM 在 AUPRC 和 AUROC 上性能更优。我们发现该模型可解释性良好且结果具有高表面效度。
引用
@article{arxiv.1907.12596,
title = {A Factored Generalized Additive Model for Clinical Decision Support in the Operating Room},
author = {Zhicheng Cui and Bradley A Fritz and Christopher R King and Michael S Avidan and Yixin Chen},
journal= {arXiv preprint arXiv:1907.12596},
year = {2019}
}
备注
Accepted for publication in AMIA 2019 Annual Symposium