Comprendre le comportement des modèles cliniques sous les changements de domaine

L'hypothèse selon laquelle les modèles informatiques peuvent être suffisamment fiables pour être adoptés dans le pronostic et les soins aux patients révolutionne les soins de santé. L'apprentissage profond, en particulier, a été un changement décisif dans la construction de modèles prédictifs, entraînant ainsi des efforts de conservation des données à l'échelle de la communauté. Cependant, en raison des variabilités inhérentes aux caractéristiques de la population et des systèmes biologiques, ces modèles sont souvent biaisés par rapport aux ensembles de données d'entraînement. Cela peut être limitant lorsque les modèles sont déployés dans de nouveaux environnements, en cas de changements de domaine systématiques non connus a priori. Dans cet article, nous proposons d'émuler une grande classe de changements de domaine, qui peuvent se produire dans des contextes cliniques, avec un ensemble de données donné, et soutenons que l'évaluation du comportement des modèles prédictifs à la lumière de ces changements est un moyen efficace de quantifier leur fiabilité. Plus précisément, nous développons une approche pour construire des scénarios réalistes, basée sur l'analyse des paysages de maladies dans la classification multi-étiquettes. En utilisant le jeu de données MIMIC-III EHR disponible en libre accès pour le phénotypage, notre travail met en lumière, pour la première fois, des régimes de données où les modèles cliniques profonds peuvent échouer à se généraliser. Ce travail souligne le besoin de nouveaux mécanismes de validation guidés par des changements de domaine du monde réel en IA pour les soins de santé.