Medical Time-Series Adverse Event Prediction的稳定性
机器学习
2025-10-17 v1
摘要
早期事件预测（EEP）系统持续估计患者的 imminent 风险以支持临床决策。对于床旁信任，风险轨迹必须准确且在时间上稳定，仅在新相关证据出现时才会变化。然而，当前的基准（a）忽略了风险得分的稳定性，（b）主要在表格输入上进行评估，尚未测试轨迹行为。为填补这一差距，我们引入了 CAREBench，一个评估可部署性的EEP基准，采用多模态输入——表格EHR、ECG波形和临床文本——并评估预测准确性和时间稳定性。我们提出了一种稳定性度量标准，用于量化每个患者风险的短期波动，并基于局部Lipschitz常数对突然振荡进行惩罚。CAREBench涵盖六个预测任务，如败血症发生，并比较了经典学习者、深度序列模型和零样本LLM。在各任务中，现有方法，尤其是LLM，难以同时优化准确性和稳定性，在高精度 operating point 下召回率表现尤为差。这些结果凸显了需要生产证据对齐、稳定的轨迹以赢得临床医生信任在持续监控环境中的信任的必要性。（代码：https://github.com/SeewonChoi/CAREBench。）
引用
@article{arxiv.2510.14286,
title = {Stable Prediction of Adverse Events in Medical Time-Series Data},
author = {Mayank Keoliya and Seewon Choi and Rajeev Alur and Mayur Naik and Eric Wong},
journal= {arXiv preprint arXiv:2510.14286},
year = {2025}
}
备注
18 pages, 3 Figures