基于对偶 copula 构造的概率性患者风险分层
统计方法学
2025-09-24 v2 应用统计
摘要
我们提出了基于 vine copula 的分类器，用于围手术期环境中的概率性风险预测。通过为每个结果类别分别拟合一个 vine copula，我们获得了混合连续-序数变量的完整联合概率模型，从而捕捉非线性和尾部不对称的依赖关系。在一组 767 例择期肠道手术（81 例严重并发症 vs. 686 例非严重并发症）中，来自拟合 vine 分类模型的后验概率被用于将患者分配至低、中、高风险组。与加权逻辑回归和分层随机森林相比，基于 vine copula 的分类器在样本外的类别特定 Brier 分数和负对数似然方面实现了高达 10% 的降低。基于拟合 vine copula 模型的情景分析提供了可解释的风险分层，包括体重指数、手术持续时间和出血量之间的非线性关系，这些关系在线性模型下可能无法被检测到。这些结果表明，基于 vine copula 的分类器为个体化、基于概率的患者风险分层提供了一个可靠且可解释的框架。因此，它们代表了数据驱动的围手术期决策中一种新的、有前景的工具。
引用
@article{arxiv.2506.13731,
title = {Probabilistic patient risk profiling with pair-copula constructions},
author = {Özge Şahin},
journal= {arXiv preprint arXiv:2506.13731},
year = {2025}
}