ADAPT 提升基于 EHR 的心理健康风险预测在时间漂移下的稳健性

基于电子健康记录（EHR）的风险预测为精神卫生的早期干预提供了机会，但随着患者人群、诊疗实践和记录方式的变化，这些模型可能仍在使用中。此类时间推移会降低预测性能，而仅用近期数据更新模型在不良结局不常见时可能不稳定。我们开发了对抗性漂移感知预测迁移（ADAPT），这是一种分布稳健方法，用于提高精神卫生风险预测的时间耐久性。ADAPT 利用从既往日历时段估计的模型变异来刻画预测变量-结局关系的合理变化。当前时段的数据约束哪些历史模式仍然相关，使该方法能够在保持当代区分度的同时，寻求对后续变化的稳健性。我们使用 Mass General Brigham 和 Duke University Health System 中 889,445 名精神卫生诊断患者的 EHR 对 ADAPT 进行回顾性评估，涵盖 28 个结局的一年风险预测。在最差的 20% 年份配对比较中，ADAPT 相比所有对照将 AUC 提升：Mass General Brigham 为 0.016-0.036，Duke 为 0.011-0.018，迁移后为 0.008-0.037。对于自杀尝试预测，Mass General Brigham 的当代 AUC 为 0.82，最佳对照为 0.80。八年相对 AUC 退化率为 7.7%，而合并数据训练为 12.1%。这些结果提示，来自既往时间变化的信息可以提高对未来变化的稳健性，同时不牺牲对当前患者的预测性能。

中文由 AI 翻译，仅供参考，以原文为准。