用于安全预测模型更新的保留集

针对不良结局的预测风险评分在指导健康干预中日益关键。此类评分可能因所建模分布的变化而需要定期更新。然而，直接更新用于指导干预的风险评分会导致有偏的风险估计。为此，我们提出使用“保留集”进行更新——即人群中不受风险评分指导干预的子集。平衡保留集大小对于确保更新后风险评分的良好性能同时最小化保留样本数量至关重要。我们证明该方法将不良结局频率降低至渐近最优水平，并论证通常不存在有竞争力的替代方案。我们描述了可轻易确定最优保留大小（OHS）的条件，并引入用于 OHS 估计的参数与半参数算法。我们将方法应用于子痫前期 ASPRE 风险评分，以推荐在其底层数据分布发生变化时的更新方案。我们表明，为随时间最小化子痫前期病例数，最佳做法是使用约 10,000 人的保留集。