基于贝叶斯不确定性加权的自适应保守预测用于分层医疗数据
机器学习
2026-01-06 v1 机器学习
摘要
临床决策需要提供既满足分布自由覆盖保证又具备风险自适应精度的不确定性量化，而现有方法未能同时满足这两个要求。我们提出一种混合贝叶斯-保守框架，以解决这一根本性限制。我们的 метод将贝叶斯分层随机森林与组感知保守校准相结合，使用后验不确定性对保宏得分进行加权，同时保持严格的覆盖有效性。在 61,538 例住院病例（覆盖 3,793 家美国医院和 4 个地区）的评估中，我们的方法实现了目标覆盖率（94.3% vs 95% 目标），并具备自适应精度：对低不确定性情况下的区间宽度缩小 21%，而对高风险预测则适当扩大。关键在于，我们证明，仅靠经过良好校准的贝叶斯不确定性会严重低于覆盖（14.1%），凸显了混合方法的必要性。该框架使临床方案基于风险分层、针对高置信度预测的资源高效规划，以及对不确定情况下的保守分配与增强监控，为多样化的医疗环境提供不确定性感知的决策支持。
引用
@article{arxiv.2601.01223,
title = {Adaptive Conformal Prediction via Bayesian Uncertainty Weighting for Hierarchical Healthcare Data},
author = {Marzieh Amiri Shahbazi and Ali Baheri and Nasibeh Azadeh-Fard},
journal= {arXiv preprint arXiv:2601.01223},
year = {2026}
}