标签
该论文提出了一项两部分的研究，使用机器学习对大规模远程医疗数据进行分析，以分类自我报告的慢性肾病状态并识别关键的社会心理和医学预测因子，平衡准确率约为72-76%，并通过SHAP分析增强可解释性。
本研究提出了一种基于特征引导的零样本框架，利用大语言模型进行早期慢性肾病筛查，在异构数据集上使用最少的社区可获取特征实现了一致的改进。
本系统综述评估了机器学习模型在早期慢性肾脏病预测中的方法论可靠性，揭示数据泄露使报告的准确性虚高超过15%，且超过80%的预测因子在不同研究中缺乏稳定性。
本研究评估了五种用于慢性肾脏病风险预测的机器学习分类器，发现近乎完美的内部性能在分布偏移下失效。强调在临床部署前需要校准稳定性和共形覆盖迁移。