TRACER：基于迁移学习的临床演化风险实时自适应
机器学习
2025-12-16 v1 统计方法学
摘要
基于电子健康记录的临床决策支持工具常因时间性人群迁移而经历性能退化，特别是当临床环境的变化最初仅影响部分患者时，导致向混合人群的转变。此类病例构成变化通常源于系统级操作更新或新疾病（如COVID-19）的出现。我们提出了TRACER（基于迁移学习的临床演化风险实时自适应），一种通过迁移学习识别就诊级转换成员并自适应预测模型的框架，无需完全重新训练。在模拟研究中，TRACER优于基于历史或当代数据训练的静态模型。在一项预测急诊科就诊后住院的真实世界应用中，TRACER同时提升了判别能力和校准度。TRACER为在演化和异质性临床条件下保持鲁棒预测性能提供了一种可扩展的方法。
引用
@article{arxiv.2512.12795,
title = {TRACER: Transfer Learning based Real-time Adaptation for Clinical Evolving Risk},
author = {Mengying Yan and Ziye Tian and Siqi Li and Nan Liu and Benjamin A. Goldstein and Molei Liu and Chuan Hong},
journal= {arXiv preprint arXiv:2512.12795},
year = {2025}
}