AutoScore-Ordinal：一种用于生成有序结局评分模型的可解释机器学习框架
机器学习
2022-02-18 v1
摘要
背景：风险预测模型是临床决策中有用的工具，有助于风险分层与资源分配，并可能带来更好的患者医疗。AutoScore 是一种基于机器学习的、针对二分类结局的自动临床评分生成器。本研究旨在扩展 AutoScore 框架，为有序结局的可解释风险预测提供工具。方法：AutoScore-Ordinal 框架使用原始 AutoScore 算法的相同 6 个模块生成，包括变量排序、变量变换、评分推导（基于比例优势模型）、模型选择、评分微调与模型评估。为说明 AutoScore-Ordinal 的性能，该方法在新加坡中央医院急诊科 2008 至 2017 年的电子健康记录数据上实施。模型在 70% 的数据上训练，10% 上验证，其余 20% 上测试。结果：本研究纳入 445,989 例住院病例，其中有序结局的分布为：80.7% 存活且无 30 天再入院，12.5% 存活但有 30 天再入院，6.8% 住院期间或出院后 30 天内死亡。使用由灵活变量选择流程确定的两组各 8 个预测变量，开发了两种基于积分的风险预测模型。两种模型表现出相当良好的性能，其平均受试者工作特征曲线下面积（0.785 与 0.793）与广义 c 指数（0.737 与 0.760）所衡量的性能与替代模型相当。结论：AutoScore-Ordinal 为有序结局风险预测模型的开发与验证提供了一种自动化且易用的框架，可系统地从高维数据中识别潜在预测因子。
引用
@article{arxiv.2202.08407,
title = {AutoScore-Ordinal: An interpretable machine learning framework for generating scoring models for ordinal outcomes},
author = {Seyed Ehsan Saffari and Yilin Ning and Xie Feng and Bibhas Chakraborty and Victor Volovici and Roger Vaughan and Marcus Eng Hock Ong and Nan Liu},
journal= {arXiv preprint arXiv:2202.08407},
year = {2022}
}