AutoScore-Imbalance：用于罕见事件数据临床评分开发的可解释机器学习工具
机器学习
2024-06-11 v1
摘要
背景：医疗决策影响个体与公共健康。临床评分广泛用于多种决策模型，以判定床旁疾病恶化的程度。AutoScore 作为一种基于机器学习和广义线性模型的有用临床评分生成器被提出。然而，其当前框架在处理罕见事件的不平衡数据时仍有改进空间。方法：利用机器智能方法，我们开发了 AutoScore-Imbalance，其包含三个部分：训练数据集优化、样本权重优化和调整后的 AutoScore。所有评分模型基于受试者工作特征分析中的曲线下面积 (AUC) 和平衡准确率（即灵敏度和特异度的均值）进行评估。通过使用来自 Beth Israel Deaconess Medical Center 的公开数据集，我们在住院死亡率预测中评估了所提模型与基线方法。结果：AutoScore-Imbalance 在 AUC 和平衡准确率上优于基线。九变量 AutoScore-Imbalance 子模型取得了最高的 AUC 0.786 (0.732-0.839)，而十一变量原始 AutoScore 的 AUC 为 0.723 (0.663-0.783)，含 21 变量的逻辑回归 AUC 为 0.743 (0.685-0.800)。AutoScore-Imbalance 子模型（使用下采样算法）仅用五个变量取得了 AUC 0.771 (0.718-0.823)，展示了性能与变量稀疏性之间的良好平衡。结论：AutoScore-Imbalance 工具有潜力应用于高度不平衡数据集，以深入理解罕见医疗事件并促进真实世界临床决策。
引用
@article{arxiv.2107.06039,
title = {AutoScore-Imbalance: An interpretable machine learning tool for development of clinical scores with rare events data},
author = {Han Yuan and Feng Xie and Marcus Eng Hock Ong and Yilin Ning and Marcel Lucas Chee and Seyed Ehsan Saffari and Hairil Rizal Abdullah and Benjamin Alan Goldstein and Bibhas Chakraborty and Nan Liu},
journal= {arXiv preprint arXiv:2107.06039},
year = {2024}
}