临床医学中在时间数据集转变下保持机器学习性能的方法的系统评估

摘要 目的 由于时间数据集转变导致的机器学习模型性能变化是机器学习派生模型在临床实践中促进决策的障碍。我们的目标是描述在时间数据集转变情况下，保持机器学习模型性能所使用的技术程序。方法 纳入了完全发表的研究文章，这些文章使用了机器学习并实施了在临床环境中缓解时间数据集转变影响的程序。我们描述了数据集转变的测量方式，保持模型性能的程序及其效果。结果 在识别出的4457篇潜在相关出版物中，纳入了15篇。时间数据集转变的影响主要通过校准或区分能力的变化（通常是恶化）来量化。校准恶化的情况更为常见（n = 11），而区分能力恶化的情况则较少（n = 3）。缓解策略分为模型级别或特征级别。模型级别的方法（n = 15）比特征级别的方法（n = 2）更为常见，其中最常用的方法为模型重拟合（n = 12）、概率校准（n = 7）、模型更新（n = 6）和模型选择（n = 6）。总体而言，所有缓解策略在保持校准方面都取得成功，但在保持区分能力方面的成功程度不均匀。结论 在临床医学中，关于保持机器学习模型在时间数据集转变下性能的研究仍然有限。未来的研究可以集中于数据集转变对临床决策的影响，在更广泛的数据集和任务上基准不同的缓解策略，并识别特定设置的最佳策略。