用于在线重新校准与修正风险预测模型的贝叶斯逻辑回归及其性能保证
摘要
在部署临床预测模型后，随后收集的数据可用于微调其预测并适应时间偏移。由于模型更新存在过度更新/过拟合的风险，我们研究具有性能保证的在线方法。我们提出两种用于底层预测模型持续重新校准或修正的流程：贝叶斯逻辑回归（BLR）以及显式建模分布偏移的马尔可夫变体（MarBLR）。我们通过模拟和一项预测 COPD 风险的真实研究进行实证评估。我们推导出“I 类与 II 类”遗憾界，保证这些流程在平均损失上不劣于静态模型且与 oracle 逻辑修正器具有竞争力。两种流程均持续优于静态模型及其他在线逻辑修正方法。在模拟中，原始模型的平均估计校准指数（aECI）为 0.828（95%CI 0.818-0.938）。使用 BLR 和 MarBLR 的在线重新校准改善了 aECI，分别达到 0.265（95%CI 0.230-0.300）和 0.241（95%CI 0.216-0.266）。在执行更广泛的逻辑模型修正时，BLR 和 MarBLR 在平稳设定下将平均 AUC（aAUC）从 0.767（95%CI 0.765-0.769）提升至 0.800（95%CI 0.798-0.802）和 0.799（95%CI 0.797-0.801），并防止了显著的模型衰减。在 COPD 研究中，BLR 和 MarBLR 将原始模型与持续重拟合的梯度提升树动态结合，取得了 0.924（95%CI 0.913-0.935）和 0.925（95%CI 0.914-0.935）的 aAUC，而静态模型的 aAUC 为 0.904（95%CI 0.892-0.916）。尽管简单，BLR 与 MarBLR 极具竞争力。当 MarBLR 的先验更好地反映数据时，其优于 BLR。BLR 和 MarBLR 可提升临床预测模型的可迁移性并维持其长期性能。
引用
@article{arxiv.2110.06866,
title = {Bayesian logistic regression for online recalibration and revision of risk prediction models with performance guarantees},
author = {Jean Feng and Alexej Gossmann and Berkman Sahiner and Romain Pirracchio},
journal= {arXiv preprint arXiv:2110.06866},
year = {2021}
}