协变量偏移下更具泛化性的脓毒症检测模型
应用统计
2021-05-21 v1
摘要
脓毒症是重症监护病房（ICUs）中死亡的主要原因。脓毒症的早期干预可改善患者临床结局。人们已开发机器学习模型用于脓毒症的临床识别。监督机器学习模型的一个常见假设是测试数据中的协变量与训练数据中的协变量服从相同分布。当该假设被违背（例如出现协变量偏移）时，在训练数据上表现良好的模型在测试数据上可能表现糟糕。协变量偏移发生在协变量与结果间的关系保持不变，但协变量的边际分布在训练与测试数据间不同之时。协变量偏移会使临床风险预测模型缺乏泛化性。本研究中，我们将协变量偏移校正应用于常见机器学习模型，并观察到这些校正在脓毒症发病检测中发生协变量偏移时，可帮助模型更具泛化性。
引用
@article{arxiv.2105.09385,
title = {More Generalizable Models For Sepsis Detection Under Covariate Shift},
author = {Jifan Gao and Philip L. Mar and Guanhua Chen},
journal= {arXiv preprint arXiv:2105.09385},
year = {2021}
}
备注
9 pages, 3 figures