Sepsyn-OLCP：基于在线学习的早期腹痛预测框架，采用保守预测进行不确定性量化
机器学习
2025-03-20 v1
摘要
腹痛是一种致命综合征，在医院的死亡率和发病率极高。早期预测腹痛对于促进脓毒性疾病患者的早期干预发挥着关键作用。然而，具备不确定性量化和自适应学习功能的早期腹痛预测系统极为稀少。本文提出了 Sepsyn-OLCP，一种集成保守预测进行不确定性量化和贝叶斯多臂老虎机进行自适应决策的 novel 在线学习算法，用于早期腹痛预测。通过将贝叶斯模型的鲁棒性与保守预测方法的统计不确定性保证相结合，该算法提供准确可靠的预测，解决了在诸如早期腹痛预测等高风险医疗应用中可靠且自适应系统的关键需求。我们以随机多臂老虎机设置评估了 Sepsyn-OLCP 的性能，包括 regret、受试者工作特征曲线下面积 (AUROC) 和 F 测量。我们的结果表明，Sepsyn-OLCP 在现有单个模型方面表现更佳，将神经网络的 AUROC 从 0.64 提升到 0.73，无需重新训练且计算成本高。模型选择策略在长期内可收敛至最优策略。我们提出了一个集成保守预测技术的 novel 强化学习框架，用于提供早期腹痛预测的不确定性量化。该方法论的提出确保了预测准确可靠，满足了高风险医疗应用（如早期腹痛预测）的关键需求。
引用
@article{arxiv.2503.14663,
title = {Sepsyn-OLCP: An Online Learning-based Framework for Early Sepsis Prediction with Uncertainty Quantification using Conformal Prediction},
author = {Anni Zhou and Beyah Raheem and Rishikesan Kamaleswaran and Yao Xie},
journal= {arXiv preprint arXiv:2503.14663},
year = {2025}
}