面向可解释、公平与可观测的住院再入院预测：在MIMIC-IV上的开发与验证
机器学习
2026-05-06 v2
摘要
目的：提出并复核一个集成框架，以解决住院再入院预测在临床转化中的三个障碍：缺乏可解释性、缺乏部署可靠性基础设施以及不充分的人口统计公平性评估。材料与方法：我们从MIMIC-IV数据库中构建了415231例成年入院病例队列（30日再入院发生率18.0%），按70/15/15比例划分。训练了基于Logistic回归、XGBoost和LightGBM的模型，使用26个特征。采用SHAP提供逐患者解释。跨16个亚群使用AUC-ROC、假阴性率（FNR）和阳性预测值（PPV）评估公平性。使用Brier得分和校准曲线评估校准性。结果：XGBoost实现AUC-ROC为0.696（95%置信区间0.691-0.701），优于或相当于LACE基线（AUC 0.60-0.68）。LightGBM获得最佳校准性能（Brier 0.146）。住院史是最主要的预测因子。所有亚群均满足公平性阈值（delta AUC ≤ 0.05，delta FNR ≤ 0.10）。结论：该框架提供了竞争性能、临床可操作的解释以及强大的人口统计公平性。代码已公开于https://github.com/Tomisin92/readmission-prediction。
引用
@article{arxiv.2604.22535,
title = {An Integrated Framework for Explainable, Fair, and Observable Hospital Readmission Prediction: Development and Validation on MIMIC-IV},
author = {Isaac Tosin Adisa},
journal= {arXiv preprint arXiv:2604.22535},
year = {2026}
}
备注
22 pages, 8 figures