改进老年术后出院目的预测：基于生成式数据增强
应用统计
2026-04-21 v1
摘要
数据稀缺挑战着医疗解决方案的开发与实施。在老年医学中，跌倒相关伤害是老年人住院、功能衰退和死亡的主要原因。优化术后出院计划可缓解这些结局，但有限的数据阻碍了预测模型的开发。本文探索了生成式机器学习方法，用于增强来自 SURGE-Ahead 项目（支持老年伴随人工智能的手术护理项目）的数据，该项目致力于解决老年术前护理问题。将来自德国老年创伤寄存器（AltersTraumaZentrum; ATZ）的数据采用两种策略纳入：(i) 通过插补（ComImp）合并 SURGE-Ahead 和 ATZ 寄存器数据；(ii) 从 SURGE-Ahead 数据或组合 SURGE-Ahead 与 ATZ 寄存器数据集中生成合成数据。对训练和评估预测模型，包括多类别逻辑回归、随机森林和先前拟合的转换器（TabPFN），使用标准性能指标进行评估：准确率、受试者运行特征曲线下面积（ROC AUC）、Brier 分数和逻辑损失。随机森林和 TabPFN 表现良好（准确率约为0.84，AUC 约为0.94），对增强几乎无影响。逻辑回归受益于增强数据，预测性能从准确率0.70提升至0.81，AUC 从0.85提升至0.92。这些结果表明，生成式数据增强是提升老年护理中简单预测模型的可行方法，强调在解决异构临床人群数据稀缺问题时，方法选择的重要性。
引用
@article{arxiv.2604.17250,
title = {Improving post-operative discharge destination prediction of geriatric patients with generative data augmentation},
author = {Pegah Golchian and Pauline Maier and Thomas Kocar and Marvin N. Wright},
journal= {arXiv preprint arXiv:2604.17250},
year = {2026}
}