Aprendizado de Máquina Confiável para Assistência Médica Dinâmica sob Mudança de Distribuição, Falta de Dados e Tempo de Decisão

Modelos de aprendizado de máquina (ML) são cada vez mais utilizados na saúde para previsão de riscos e suporte à decisão, mas seu desempenho muitas vezes diminui após a implantação devido a mudanças nas populações de pacientes, práticas clínicas e completude dos dados. Este estudo aborda três desafios principais em ML clínico confiável: (1) mudanças temporais de distribuição que reduzem a generalização, (2) subnotificação e dados ausentes que enviesam os resultados, e (3) tomada de decisão sequencial sob custo e incerteza. Propomos uma estrutura integrada composta por um protocolo de avaliação temporal para medir a degradação ao longo do tempo, um método de adaptação de domínio sob mudança de falta de dados (DAMS) para aumentar a robustez com características em mudança, e uma abordagem de aprendizado por reforço sensível ao tempo que considera quando intervir. Testados em sete grandes conjuntos de dados, incluindo SEER, MIMIC-IV e CDC COVID-19, nossos métodos melhoram a calibração, robustez e eficiência. Por exemplo, o aprendizado PU aumentou a precisão da previsão de resultados da COVID-19 em 6–9%, o DAMS reduziu a queda do AUROC em quase 40%, e o aprendizado por reforço sensível ao tempo alcançou recompensas mais altas com custos de observação menores. Esses resultados mostram que as avaliações estáticas subestimam o risco de implantação e que métodos temporais, adaptativos à falta de dados e sensíveis ao tempo aprimoram a tomada de decisão clínica. Este é o primeiro estudo a unificar aprendizado PU, DAMS e aprendizado por reforço sensível ao tempo em conjuntos de dados do mundo real, estabelecendo uma base para um ML robusto na saúde.