AdaptHetero：基于机器学习解释驱动的亚组自适应电子健康记录临床预测

摘要

机器学习解释技术主要被用于建立临床医生信任和发现电子健康记录（EHR）中的可操作见解。然而，EHR数据固有的复杂性和异质性限制了其在指导亚组特异性建模方面的有效性。研究者提出AdaptHetero这一新颖的机器学习解释驱动框架，将可解释性见解转化为可操作指导，用于在单个医院系统内针对不同亚人群定制模型训练和评估。

方法框架

该框架整合了基于SHAP（Shapley Additive exPlanations）的解释方法和无监督聚类技术，通过以下步骤实现：

1. 利用机器学习模型对EHR数据进行预测
2. 应用SHAP方法生成模型预测的解释
3. 基于解释结果进行无监督聚类以识别临床有意义的亚组
4. 针对不同亚组特性调整模型训练策略

实验评估

在三个大规模EHR数据集上进行评估：

• GOSSIS-1-eICU数据集
• WiDS数据集
• MIMIC-IV数据集

评估结果显示，AdaptHetero在以下临床预测任务中持续识别出异质性模型行为：

• ICU死亡率预测
• 院内死亡预测
• 隐匿性低氧血症预测

技术优势

该框架通过增强临床有意义亚组特异性特征的识别，显著提升了预测性能。具体表现为：

• 改进了跨亚群的模型适应性
• 提供了更具可操作性的临床见解
• 保持了模型的可解释性特征

实现细节

研究采用11页技术文档和3个示意图详细描述了框架实现，重点关注如何将解释性洞察转化为实际建模指导，避免了传统方法在异质性数据处理方面的局限性。