arXiv cs.AI· Fatema Ferdous Tamanna, K. M. Merajul Arefin, Md. Abdul Masud·· 3 天前AI 评分24
先审计再更新：MIMIC-IV ICU 预测中记录伪影与有界模型更新的局限
Audit Before You Update: Recording Artifacts and the Limits of Bounded Model Updates in MIMIC-IV ICU Prediction
AI 导读
研究对 MIMIC-IV 3.1（2008-2022）进行记录伪影审计并制定清洗协议，发现 2020-2022 年约一半 ICU 住院缺少输入或操作事件记录，且血管升压药 ItemID 迁移使 2017-2019 标签率看似下降实则上升。
正文 · AI 翻译
摘要：重症监护中的临床预测模型会随着数据漂移而性能退化，FDA 等监管机构要求开发者事先指定有界的更新协议。对此类协议的评估假设表观漂移反映的是临床实践，而非数据库记录诊疗方式的变化。我们检验能否在未经审计的 ICU 数据上评估更新策略，以及一旦数据经过审计，参数有界的更新相对于完全微调是否会牺牲准确性或归因稳定性。我们审计 MIMIC-IV 3.1（2008-2022）中的记录伪影，并定义一套清洗协议。在清洗后的队列上，一个无标签的分类器双样本检验对三个时期的更新进行门控。我们比较有界更新（仅重新训练治疗上下文和融合参数）与完全微调，涵盖两个模型家族和两个目标，在预先设定的 0.015 AUROC 非劣效性界值下进行，并测量相对于源模型的归因稳定性。在 2020-2022 年，约一半的 ICU 住院没有输入或操作事件记录，而一次血管升压药 ItemID 迁移使 2017-2019 年的标签率看似下降，实则上升。在清洗后的队列上，门控在每个时期都检测到漂移，包括仅在生理特征中，且在零数据上无误报。有界更新在 12 个主要单元中的 10 个中非劣效或更优，但这取决于目标、模型家族和学习率调优，且相对于从不更新的适应增益很小。在共享学习率下，有界更新在神经网络模型中使生理归因更稳定，对血管升压药明显，对插管则不那么明显；在分别调优学习率时，完全更新更稳定。审计应先于更新评估，且更新边界应按目标选择。
| 评论： | 重大修订：新增数据集时间有效性审计、多时期漂移门控、有界更新的非劣效性检验，以及在不同调优设置下对 XAI 归因稳定性的程序化评估 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；信息检索（cs.IR）；定量方法（q-bio.QM） |
| ACM 分类： | I.2.6; J.3 |
| 引用为： | arXiv:2607.19020 [cs.LG] |
| （或本版本引用 arXiv:2607.19020v5 [cs.LG]） | |
| https://doi.org/10.48550/arXiv.2607.19020 arXiv 颁发的 DOI，通过 DataCite |
提交历史
来自：Fatema Tamanna [查看邮箱]
[v1]
2026年7月21日星期二 12:07:36 UTC（1,721 KB）
[v2]
2026年8月20日星期四 14:42:35 UTC（1,825 KB）
[v3]
2026年8月26日星期三 21:18:12 UTC（1,827 KB）
[v4]
2026年9月13日星期日 11:55:05 UTC（1,822 KB）
[v5]
2026年10月11日星期日 19:37:46 UTC（2,221 KB）
来源：arXiv cs.AI · arxiv.org