面向医疗AI模型中部分观测数据充足性评估的个性化计算框架

arXiv cs.LG 论文
healthcare ai-models partially-observed-data feature-sufficiency clinical-decision-making machine-learning computational-framework

摘要

本文介绍了特征充足性分析（FSA），这是一个框架，用于确定临床特征子集是否足以用于AI模型预测，并通过术后通气和死亡率预测的案例研究进行说明。

arXiv:2607.09165v1 Announce Type: new Abstract: 实现疾病的早期及时诊断和治疗是一项重大挑战。近年来，基于患者数据训练的机器学习（ML）算法在多种情境下预测患者健康状态方面展现出前景。应用这些ML算法时常面临的挑战是，在任何给定时间，并非所有执行预测任务所需的临床变量（特征）都可用。我们定义了全特征能力（FFC）的概念，指当算法使用其训练时所用全部特征时的预测性能。随后我们引入特征充足性分析（FSA）——一种判断AI模型所需全部临床特征子集是否足以达到FFC的分析方法。FSA估计缺失变量在可用特征条件下的潜在分布。FSA提供针对特定患者的评估，判断现有测量特征集是否达到FFC。如果是，则无需获取更多输入即可进行基于ML的预测。我们提供两个案例研究：预测心脏手术康复患者术后是否需要长期通气；以及门诊队列的10年死亡率预测。我们还证明，FSA还提供了基于预测充足性的临床可解释特征排序方法，能识别本质上难以预测的患者群体，并具有进行临床数据采集成成本感知优化的潜力。FSA提供了一种通用计算方法，用于判断不完整的临床信息是否足以支持可信的AI辅助临床决策，从而促进医疗AI系统在不同临床场景中的前瞻性部署。
查看原文
查看缓存全文

缓存时间: 2026/07/13 07:59 

# 一种用于评估医疗AI模型中部分观测数据充分性的个性化计算框架
来源：https://arxiv.org/abs/2607.09165
查看PDF (https://arxiv.org/pdf/2607.09165)

> 摘要：实现疾病的早期及时诊断与治疗是一项重大挑战。近年来，基于患者数据训练的机器学习(ML)算法在预测患者健康状态的多种场景中展现出潜力。应用这些ML算法时常遇到的一个问题是，在任何给定时间点，执行预测任务所需的全部临床变量（特征）并非全部可用。我们将“全特征容量”(FFC)定义为算法利用其训练所用的所有特征进行预测时的性能。随后，我们引入“特征充分性分析”(FSA)——一种用于判断AI模型所需全部临床特征的子集是否足以达到FFC的分析方法。FSA以可用特征为条件，估计缺失变量的潜在分布。FSA能够为每位患者提供个性化评估，判断现有已测量特征集是否达到FFC。若是，则无需获取更多输入即可进行基于ML的预测。我们提供了两个案例研究：预测心脏手术恢复患者术后长时间通气的需求；以及门诊队列中的10年死亡率预测。我们还证明，FSA能提供基于预测充分性的临床可解释特征排名方法，识别本质上难以预测的患者群体，并具备实现临床数据采集成本感知优化的潜力。FSA提供了一种通用计算途径，用于判断不完整的临床信息是否足以支持可信赖的AI辅助临床决策，从而促进医疗AI系统在多样化临床环境中的前瞻性部署。

## 提交历史

来自：金庆楚 [查看邮箱 (https://arxiv.org/show-email/1ad26e6c/2607.09165)] **[v1]** 2026年7月10日，星期五，07:49:19 UTC（1,665 KB）

相似文章