医疗数据不精确性对学习结果的影响

由医疗仪器测量的测试数据通常带有包含真实值的不精确范围。在几乎所有情况下，后者都是无法获得的。然而，大多数学习算法执行算术计算，这些计算在获取模型的学习过程和所学模型的应用（例如预测）中都受到不确定的影响。在本文中，我们启动了一项关于不精确性对医疗应用中预测结果影响的研究，其中使用预训练模型来预测患者甲状腺功能亢进症的未来状态。我们为数据不精确性制定了一个模型。通过使用参数来控制不精确的程度，可以使用该模型生成用于比较实验的不精确样本。此外，定义了一组度量来定量评估不同的影响。更具体地说，定义了用于衡量个体患者不一致预测的统计量。我们使用长短期记忆(LSTM)网络进行实验评估，以比较基于原始数据集数据和基于所提出的精确度模型生成的数据的预测结果。针对真实世界甲状腺功能亢进症数据集的结果提供了见解，说明微小的不精确性如何导致大范围的预测结果，这可能导致对个体患者的错误标记和不适当的行动（治疗或不治疗）。