基于 MLI 指导的面向子群的电子健康记录建模框架（AdaptHetero）

机器学习解释(MLI)主要用于促进临床医生信任和从电子健康记录(EHR)中提取见解，而非用于指导子群特定的、可操作的建模策略。为填补这一差距，我们提出 AdaptHetero，一个新颖的 MLI 驱动框架，将解释性见解转化为针对不同亚群体中模型训练和评估的可操作指导。我们在三个大规模 EHR 数据集上对其进行评估——GOSSIS-1-eICU、WiDS 和 MIMIC-IV——AdaptHetero 持续揭示了在预测 ICU 死亡率、住院死亡率和隐性肺梗死方面存在的异构模型行为。通过将基于 SHAP 的解释与无监督聚类相集成，AdaptHetero 识别出临床上有意义的、特定于亚群体的特征，提高了许多亚群体的预测性能（提升幅度最高可达 174.39 百分比），同时主动标记其他亚群体中的潜在风险。这些结果凸显了该框架在更稳健、更公平、更具情境感知性的临床部署方面的潜力。