通过迁移学习和多数据集加权集成增强小队列推断
统计方法学
2026-04-17 v2
摘要
肺脓毒症在美国东北部仍然是一个重大问题，然而全国性的eICU合作研究数据库仅包含来自该地区的少量患者，凸显了代表性不足的问题。理解诸如FiO2、肌酐、血小板和乳酸等反映氧合、肾功能、凝血和代谢的临床变量至关重要，因为这些标志物影响脓毒症结局，并可能因性别而异。迁移学习通过从较大数据集中借用信息来帮助解决小样本量问题，尽管目标队列与外部队列之间协变量和结局生成机制的差异会使过程复杂化。我们提出了一种新颖的加权方法TRANSLATE（带权重的迁移学习），通过习得的权重整合来自不同来源的数据，这些权重使外部数据与目标队列对齐，从而纳入领域特定特征。这些权重调整了队列间的差异，与每个队列的有效样本量成比例，并降低不相似队列的权重。TRANSLATE为改进精度提供了理论保证，并适用于广泛的估计量，包括均值、方差和分布函数。模拟研究以及一项利用来自美国其他地区大得多的样本对东北部队列脓毒症结局进行的真实数据应用表明，该方法在考虑区域异质性的同时增强了推断。
引用
@article{arxiv.2505.07153,
title = {Enhancing Inference for Small Cohorts via Transfer Learning and Weighted Integration of Multiple Datasets},
author = {Subharup Guha and Mengqi Xu and Yi Li},
journal= {arXiv preprint arXiv:2505.07153},
year = {2026}
}