Global and Episode-Specific Prediction of Recurrent Events Using Longitudinal Health Informatics Data
利用纵向健康信息学数据对复发事件进行全局与发作特异性预测AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要聚焦复发事件生存预测方法与健康信息学应用，未涉及所给因果推断、面板、离散选择、时间序列、资产定价等细分领域的核心内容，故不选择。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
利用纵向健康信息学数据对复发事件进行全局与发作特异性预测
- 研究问题
- 摘要称，研究问题是如何在纵向健康信息学数据库中对慢性病（如癌症、心血管疾病）的复发临床事件进行准确风险预测，并比较发作特异性模型与全局模型的预测表现。
- 方法与思路
- 作者提出一个非参数框架，在间隔时间尺度上用生存树集成预测复发事件，包含发作特异性模型与全局模型两种策略，并通过逆删失概率加权与改进重抽样程序处理间隔时间的诱导信息性删失与事件间相关。
- 材料陈述的贡献
- 摘要称该框架避免了对未来事件风险如何依赖既往事件史与其他预测变量的强假设，可作为Cox型模型的替代；应用于SEER-Medicare数据预测乳腺癌患者重复住院时表现更优，且全局模型跨事件借用信息显著提升后续住院预测精度。
- 阅读关注点
- 阅读全文时应核对：间隔时间尺度与生存树集成的具体设定、逆删失概率加权与重抽样算法如何识别与实现、两种模型的可比性、评价指标与验证方式，以及SEER-Medicare样本定义与结果是否支持摘要所述优越性。
- 阅读边界
- 仅凭摘要无法判断识别假设、算法细节、数值结果与外部效度；摘要未说明稿件版本，也未说明是否经过同行评审或期刊接收，不能据此声称已获期刊认可。
原文摘要
Accurate prediction of recurrent clinical events is crucial for effective management of chronic conditions such as cancer and cardiovascular disease. In recent years, longitudinal health informatics databases, which routinely collect data on repeated clinical events, have been increasingly utilized to construct risk prediction models. We introduce a novel nonparametric framework to predict recurrent events on a gap time scale using survival tree ensembles. Our framework incorporates two predictive modeling strategies: episode-specific model and global model. These models avoid strong assumptions on how future event risk depends on previous event history and other predictors, making them a promising alternative to Cox-type models. Additional complexities in tree-based prediction for recurrent events include induced informative censoring of gap times and inter-event correlations. We develop algorithms to address these issues through the use of inverse probability of censoring weighting and modified resampling procedures. Applied to SEER-Medicare data to predict repeated hospitalizations for breast cancer patients, our models showed superior performance. In particular, borrowing information across events via global models substantially improved prediction accuracy for later hospitalizations.