محققان نحوه باز کردن مدل‌های پیش‌بینی خطر بالینی را مطالعه می‌کنند تا بتوان آن‌ها را در چندین موقعیت بالینی به کار برد

مدل‌های پیش‌بینی مدرن به مقادیر زیادی داده برای آموزش و ارزیابی نیاز دارند، که فقدان آن‌ها ممکن است منجر به مدل‌هایی شود که مختص مکان‌های خاص، جمعیت‌های آن‌ها و شیوه‌های بالینی آنجا هستند. در حال حاضر، بهترین شیوه‌ها برای مدل‌های پیش‌بینی خطر بالینی فاقد سطحی از «تعمیم‌پذیری» هستند که می‌تواند سودمندی آن‌ها را برای سایر تنظیمات بالینی در مکان‌های دیگر افزایش دهد.

تیمی از محققان دانشگاه نیویورک تاندون به سرپرستی رومی چونارا، استاد علوم و مهندسی کامپیوتر با وابستگی به دانشکده بهداشت عمومی جهانی نیویورک، بررسی کردند که آیا مدل‌های پیش‌بینی مرگ و میر در بیمارستان‌ها یا مناطق جغرافیایی متفاوت از مدل‌هایی که در آن توسعه می‌یابند به‌طور قابل‌توجهی متفاوت است یا خیر. . آنها همچنین داده‌ها را برای تعیین ویژگی‌های خاص مجموعه داده‌ها -شامل تجزیه و تحلیل سوابق سلامت الکترونیکی از 179 بیمارستان در سراسر ایالات متحده با 70126 بستری از سال 2014 تا 2015 – که می‌تواند تغییرات عملکرد بالینی را بر اساس عواملی مانند نژاد توضیح دهد، جویا شدند.

در مقاله جدید در سلامت دیجیتال PLOSمحققین، از جمله هاروینیت سینگ، دکتری. دانشجوی مرکز NYU برای علوم داده، و Vishwali Mhasawade، Ph.D. کاندید، هر دو تحت هدایت Chunara، دریافت که مدل‌های پیش‌بینی خطر مرگ و میر که شامل متغیرهای بالینی (حیاتی، آزمایشگاهی و جراحی) است که در یک بیمارستان یا منطقه جغرافیایی ایجاد شده‌اند، فاقد قابلیت تعمیم به بیمارستان‌ها یا مناطق مختلف هستند. بر اساس یک تجزیه و تحلیل کشف علّی، آنها فرض کردند که این عدم تعمیم پذیری ناشی از تغییر در متغیرهای نژادی و بالینی در بیمارستان ها یا مناطق است. به طور خلاصه، متغیر نژاد ارتباط نزدیکی با متغیرهای بالینی دارد.

از این تحقیق واضح است که مدل‌های داده – از نظر عواملی مانند پیش‌بینی خطر مرگ و میر در سطح بیمارستان به بیمارستان و سطح گروه بیمارستان منطقه‌ای- بلافاصله قابل تعمیم نیستند و این پیامدهایی برای بیمارستان‌هایی دارد که نمی‌توانند این مدل‌ها را برای خود تولید کنند. چونارا گفت.

یافته‌ها همچنین شواهدی را نشان می‌دهند که مدل‌های پیش‌بینی‌کننده می‌توانند تفاوت‌هایی را در عملکرد در بین گروه‌های نژادی نشان دهند، حتی در حالی که از نظر میانگین معیارهای جمعیتی خوب عمل می‌کنند.

“در حالی که به خوبی مستند شده است که عوامل و نتایج بالینی می توانند به طور قابل توجهی بر اساس نژاد متفاوت باشند، بسیار مهم است که ما درک کنیم که چرا این تفاوت ها وجود دارد، و بنابراین بررسی داده ها و مدل ها باید در یک زمینه بزرگتر در کنار تاثیرات مختلف، از جغرافیا و اجتماعی-اقتصادی انجام شود. به بالینی،” او گفت.

به طور خاص، این مطالعه نشان می‌دهد که فراتر از معیارهای عدالت الگوریتمی، برای شناسایی و کاهش منابع تغییرات و تصمیم‌گیری در مورد استفاده از مدل پیش‌بینی ریسک در محیط‌های جدید، به درک فرآیندهای تولید داده برای زیر گروه‌ها نیاز است.