TY -的盟,香洲盟——雪,云飞AU - Su,鑫盟——陈Shaoyong盟——刘,康盟——陈,围棋盟——刘美盟——胡,勇PY - 2022 DA - 2022/11/9 TI -学习方法转移到正确的时间性能漂移的临床预测模型:回顾性队列研究乔-地中海JMIR通知SP - e38053六世- 10 - 11 KW -转移学习KW -临床预测模型KW -性能漂移KW -概念漂移KW -急性肾损伤AB -背景:随着时间的推移，患者群体的变化，临床预测模型受到性能漂移的影响。对于能够有效使用新旧数据的模型更新方法或建模框架的需求非常大。目的:基于迁移学习的范式，我们旨在开发一种新的建模框架，将旧知识转移到预测任务的新环境中，并有助于性能漂移校正。方法:所提出的预测建模框架维护了一个基于逻辑回归的2个梯度增强机(GBM)模型的堆叠集合，分别表示从旧数据和新数据中学习到的旧知识和新知识(称为迁移学习梯度增强机[TransferGBM])。集成学习过程可以动态平衡新旧知识。利用2010-2017年141696例患者的回顾性队列电子健康记录数据，我们验证了TransferGBM对医院获得性急性肾损伤的预测。结果:基于2010年和2011年数据训练的基线模型(即传输模型)在2012-2017年数据的时间验证中表现出显著的性能漂移。使用更新的样本改装这些模型几乎在所有情况下都能获得性能提升。所提出的TransferGBM模型成功地获得了一致优于改装模型的性能。 Conclusions: Under the scenario of population shift, incorporating new knowledge while preserving old knowledge is essential for maintaining stable performance. Transfer learning combined with stacking ensemble learning can help achieve a balance of old and new knowledge in a flexible and adaptive way, even in the case of insufficient new data. SN - 2291-9694 UR - https://medinform.www.mybigtv.com/2022/11/e38053 UR - https://doi.org/10.2196/38053 UR - http://www.ncbi.nlm.nih.gov/pubmed/36350705 DO - 10.2196/38053 ID - info:doi/10.2196/38053 ER -