糖尿病人工智能模型評測規(guī)范

糖尿病人工智能預(yù)測模型評測規(guī)范2規(guī)范性引用文件WS/T303-2009衛(wèi)生信息數(shù)據(jù)集元WS/T449—2014慢性病監(jiān)測信息系統(tǒng)基本3術(shù)語和定義糖尿病是一種由于胰島素分泌缺陷或胰島素作用障3.3臨床預(yù)測模型clinicalpredictionmodel）：學或機器學習方法估算患有某病的概率或者是便于不同技術(shù)水平的醫(yī)療機構(gòu)獲取的最小特征集。模型靜坐指安靜地坐位工作、學習、閱讀、看電視（不包括睡覺時間）累計時間。長期靜坐指一周3.6空腹血漿葡萄糖fastingpla及180分鐘時抽取靜脈血，檢測每個時間段的血糖值，其中75gOGTT3.8事件變量比eventsperv指訓練樣本的集和，算法從訓練集中分析數(shù)據(jù)模流程應(yīng)包括驗證集的建立和使用，該數(shù)據(jù)集可體現(xiàn)模型的泛滿足臨床需要。驗證集可分為內(nèi)部驗證集和外部驗證集：內(nèi)部可用于描述模型的區(qū)分正負樣本的能力，有幾種3.14受試者操作特性曲線receiveroperatingcharacteristiccurve下面積Aeraunderreceiveroperatingcharac3.17預(yù)測能力predictionperformance3.18臨床使用價值clinicalusefuln包括三個方面：建模方法，即數(shù)據(jù)采集和建模流程4糖尿病人工智能模型測評流程與規(guī)范），4.1.1.3最小納入特征集4.1.1.3.1糖尿病篩查模型變量（1）年齡(≥40歲為高危）；（7）高血壓（收縮壓≥140mmHg（1mmHg=0.133kPa）和4.1.1.3.2糖尿病預(yù)后模型變量4.1.1.4.1候選預(yù)測指標測量對所有參與者使用一致的數(shù)據(jù)采集方式，對同一個指標使和干預(yù)措施的結(jié)局指標可選擇不良反應(yīng)、感染情況等。就時檢查FPG及2hPG，單獨使用FPG會），建立預(yù)后研究模型時，應(yīng)根據(jù)目的定期監(jiān)測患者的干預(yù)措施/指標變化與結(jié)局的關(guān)聯(lián)，否則指標代表性變差。結(jié)集應(yīng)互相獨立。在診斷模型中，預(yù)測指標和結(jié)局指標應(yīng)在同是糖尿病急性并發(fā)癥。但建立預(yù)測模型、預(yù)后研究及慢性并情況（目標事件發(fā)生率低）下可以接受相對較小的數(shù)據(jù)量。另外樣本最近的K個樣本，利用加權(quán)平均來估計樣本的缺失數(shù)據(jù)迭代兩個步驟直到參數(shù)小于預(yù)先給定的閾值：計算完全數(shù)據(jù)對件期望，用極大化對數(shù)似然函數(shù)以確定參數(shù)的值多重插補（組合多種方法優(yōu)于單一方法，如刪除一部分缺失度數(shù)據(jù)類型判斷、重復數(shù)據(jù)檢測、離群值檢測（箱型圖、可選的處理方法有直接刪除、插補或替換，均可參考缺說明數(shù)據(jù)中陰性/陽性（或多標簽）的比例并進行處（擴充邊界少數(shù)樣本數(shù)據(jù)）和ADASYN（根據(jù)不同的少數(shù)樣BalanceCascade（訓練一個分類器，對于那些分類正確的多數(shù)類樣本不推）與NearMiss（保留最具代表性的多數(shù)樣本）為改進的下中造成的信息丟失；組合使用會比單一方法效果更好，可根據(jù)模保留連續(xù)數(shù)值或離散化為4組以上類別。若僅作二分類，分割點（如臨床認可的指標分級點而不是數(shù)據(jù)的中值點（位數(shù)等）。對數(shù)據(jù)進行離散化和編碼時應(yīng)給出理論依據(jù)（如為何將4.1.2.5訓練集和驗證集證集的比例則可以更小。訓練模型時應(yīng)避免將內(nèi)部驗證集的信而不是在邏輯回歸中排除不完全隨訪的患者；若存在明顯首先減少特征數(shù)量（如主成分分析然后結(jié)合），中應(yīng)包括模型認可的指標（幫助模型得到更高精度）和的權(quán)重，然后依據(jù)權(quán)重打分；包裹式（如支持向量機、回集組合，在機器學習過程中不斷尋找最優(yōu)組合；嵌入式，即說明模型選擇的原因（如基于數(shù)據(jù)特點、基于好進行多模型的結(jié)果比較。并描述模型使用的優(yōu)化方法、擬糖尿病早期篩查系統(tǒng)應(yīng)首先在最小納入特征集上測試模證和留一法，外部驗證可選擇與訓練數(shù)據(jù)類似的外部樣本，數(shù)據(jù)量或用內(nèi)部驗證的結(jié)果代替外部驗證是錯誤的。若驗證4.2.3驗證過程效果與評價指標應(yīng)基于待驗證的模型參數(shù)，計算出驗證集中所有患者較。而不是用相同的算法對驗證集進行建模（這樣僅能說明也與結(jié)局指標有關(guān)，但不能證明原模型的預(yù)測能推薦以Hosmer-Lemeshow擬合優(yōu)度測試進行校準評估，但該測試對組數(shù)和樣本量對邏輯回歸模型和生存模型而言，可使用C指數(shù)（C-index相當于ROC的指數(shù)可以被AUC代替。另外重分類指標N（integrateddiscriminationimpro根據(jù)閾值轉(zhuǎn)化為二分類結(jié)果，導致信息的丟失，因此單獨使4.2.3.4信息采集準確率信息采集準確率=信息采集準確的樣本數(shù)/同期采集的信4.2.3.5人工智能輔助診斷平均時間人工智能輔助診斷平均時間=人工智能輔助診斷時間總4.2.3.6診斷準確率增益率4.2.3.8診斷平均時間增益率4.3評測模型適用性與擬解決的特定臨床問題類似。另外基于隨機試預(yù)測指標應(yīng)設(shè)計合理，能夠在特定臨床環(huán)境中方便地指標可能難以在醫(yī)療技術(shù)落后的地區(qū)得到）。有一定），或以網(wǎng)頁服務(wù)、應(yīng)用軟件、臨床輔助系統(tǒng)等形式呈現(xiàn)，操供有效的幫助服務(wù)和后續(xù)技術(shù)支持。模型能夠快速給出結(jié)果，說明模型的局限性，并與類似研究進行比較分析，[2]WolffRF,MoonsKGM,RileyRD,etal.PROBAST:ATooltoAssesstheRiskofBiasandApplicabilityofPredictionModelStudies[J].Annalsofinternalmedicine,2019,[3]CollinsGS,ReitsmaJB,AltmanDG,etal.Transparentreportingofamultivarpredictionmodelforindividualprognosisordiagnosis(TRIPOD):theTRIPODstatement[J].BMJ,