如何衡量临床决策中医生的内部变异性？

医生处方变异性——即对两个在观察协变量下被视为可比患者的医生可能给出不一致决策的概率——在护理质量、安全性和成本方面具有重大影响。然而，目前尚无经过验证的衡量方法。本文对八种方法（欧几里得距离、马哈拉诺斯距离、学习加权、遗传马哈拉诺斯距离、随机森林近似、互信息加权、潜组分析和贝叶斯二项广义线性混合模型）在合成基准_truth下的表现进行基准测试，涵盖94个实验条件。学习加权匹配法达到最低的平均绝对误差（0.027），其后为互信息加权匹配（0.028）和随机森林近似（0.034）。所有八种不一致性分析方法在保持医生排序方面都具有很高的忠实度（在SCORE2实验中与基准_truth的斯皯尔曼系数>0.89），只要医生变异性分组 sufficiently 分离。对于连续异质性医生模型，无监督方法的排序保持情况显著恶化（斯皯尔曼系数=[0.28, 0.35]），但受监督特征加权方法和GLMM支持（斯皯尔曼系数=[0.62, 0.68]）。本次受控的方法论评估为在观察性处方数据上的验证奠定了基础。一旦在观察性处方数据上验证，这些评估过的开源估计器可将处方不一致性转化为常规可衡量的临床医生水平质量指标，系统性地补充现有关于医生间变异性文献。