ВРЕМЕННАЯ СТАБИЛЬНОСТЬ И ДРЕЙФ РАСПРЕДЕЛЕНИЯ В МОДЕЛЯХ СМЕРТНОСТИ ПАЦИЕНТОВ ОТДЕЛЕНИЙ ИНТЕНСИВНОЙ ТЕРАПИИ: ВАЛИДАЦИОННОЕ ИССЛЕДОВАНИЕ НА БАЗЕ MIMIC-IV

Аннотация

Модели машинного обучения для поддержки клинических решений могут со временем терять качество из-за временного дрейфа и изменений в популяциях пациентов, однако долгосрочные временные оценки в задачах прогнозирования смертности в ОИТ остаются ограниченными. В данном исследовании оцениваются временная устойчивость, калибровка и дрейф распределения модели LightGBM, обученной на данных MIMIC-IV. Анализ включал 65 355 госпитализаций взрослых пациентов за период 2008–2019 годов и использовал трёхуровневую схему валидации: стандартную, временную и псевдовнешнюю. Модель продемонстрировала высокую дискриминационную способность (AUC-ROC до 0,998) и улучшение калибровки при тестировании на будущих данных. Анализ PSI выявил отсутствие значимого дрейфа признаков, а SHAP-анализ показал ключевую роль физиологических лабораторных показателей. Результаты свидетельствуют о том, что модели, основанные на фундаментальных физиологических признаках и прошедшие строгую валидацию, могут сохранять стабильность в течение многих лет без частого переобучения.