面向医疗AI模型的部分观测数据充分性评估的个性化计算框架

实现疾病的早期及时诊断和治疗是一项重大挑战。近年来，基于患者数据训练的机器学习（ML）算法在许多不同场景中显示出预测患者健康状态的潜力。应用这些ML算法时经常面临的一个挑战是，在任意给定时间，并非所有执行预测任务所需的临床变量（特征）都可用。我们定义了全特征能力（FFC）的概念，指当此类算法使用其训练所依据的所有特征时的预测性能。然后，我们引入了特征充分性分析（FSA）——一种用于确定AI模型所需的所有临床特征子集是否足以达到FFC的分析方法。FSA估计以可用特征为条件的缺失变量的潜在分布。FSA提供针对患者个体的评估，判断现有的测量特征集是否达到FFC。如果是，则无需获取进一步输入和基于ML的预测。我们提供了两个案例研究：预测心脏手术后患者术后长时间通气的需求；门诊队列中的10年死亡率预测。我们还证明，FSA提供了一种基于预测充分性的临床可解释特征排序方法，识别出本质上难以预测的患者群体，并具有对临床数据采集进行成本感知优化的潜力。FSA提供了一种通用的计算方法，用于确定不完整的临床信息是否足以支持可信的AI辅助临床决策，从而促进医疗AI系统在不同临床环境中的前瞻性部署。