临床机器学习中的缺失值处理：来自专家研究的见解
机器学习
2025-02-12 v2
摘要
内在可解释的机器学习（IML）模型为临床决策提供了宝贵的支持，但当特征包含缺失值时面临挑战。传统方法，如插补或丢弃不完整记录，在测试时数据缺失的场景下往往不切实际。我们调查了来自29个法国创伤中心的55名临床医生，收集了20份完整回复，以研究他们在真实临床环境中与三种IML模型交互以预测伴有缺失值的失血性休克的情况。我们的研究结果表明，尽管临床医生认识到可解释性的价值并熟悉常见的IML方法，但传统的插补技术常常与他们的直觉相冲突。他们不插补未观测到的值，而是依赖观测到的特征结合医学直觉和经验。因此，原生处理缺失值的方法更受青睐。这些发现强调了将临床推理整合到未来IML模型中以增强人机交互的必要性。
引用
@article{arxiv.2411.09591,
title = {Handling missing values in clinical machine learning: Insights from an expert study},
author = {Lena Stempfle and Arthur James and Julie Josse and Tobias Gauss and Fredrik D. Johansson},
journal= {arXiv preprint arXiv:2411.09591},
year = {2025}
}
备注
8 pages, 5 figures, restructured writing from previous version and additional results