AutoScore-Survival：利用右删失生存数据开发基于可解释机器学习的事件时间评分
机器学习
2024-06-11 v1
摘要
评分系统具有高度可解释性，并广泛用于对医疗研究中的事件时间结局进行评估。然而，现有的事件时间评分主要基于临床医生知识使用少数手动选择的变量临时创建，表明对稳健且高效的通用评分生成方法存在未满足的需求。AutoScore此前被开发为一种可解释机器学习评分生成器，将机器学习与基于点数的评分在强区分度和可及性方面相结合。我们进一步将其扩展到事件时间数据，并开发了AutoScore-Survival，用于利用右删失生存数据自动生成事件时间评分。随机生存森林为变量选择提供了高效解决方案，Cox回归用于评分加权。我们在重症监护病房患者90天死亡率的真实研究中展示了该方法，并将其性能与生存模型（即Cox）和随机生存森林进行比较。AutoScore-Survival衍生的评分模型比使用传统变量选择方法（例如惩罚似然方法和逐步变量选择）构建的生存模型更为简洁，且其性能与使用相同变量集的生存模型相当。尽管AutoScore-Survival取得了0.782（95% CI: 0.767-0.794）的可比整合曲线下面积，但其生成的整数值事件时间评分在临床应用中更受青睐，因为它们更易于计算和解释。我们提出的AutoScore-Survival为事件时间结局研究提供了一种自动化、稳健且易用的基于机器学习的临床评分生成器。它提供了一套系统指南，以促进未来临床应用中事件时间评分的开发。
引用
@article{arxiv.2106.06957,
title = {AutoScore-Survival: Developing interpretable machine learning-based time-to-event scores with right-censored survival data},
author = {Feng Xie and Yilin Ning and Han Yuan and Benjamin Alan Goldstein and Marcus Eng Hock Ong and Nan Liu and Bibhas Chakraborty},
journal= {arXiv preprint arXiv:2106.06957},
year = {2024}
}