A New Trained Supervised Method for Calculating Patient Similarity
一种通过监督学习训练的患者相似度计算方法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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要研究医疗预测与患者相似度，二元响应本身不足以归入经济学离散选择。
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
一种通过监督学习训练的患者相似度计算方法
- 研究问题
- 面向二元结局的个性化医疗预测，如何识别更合适的相似患者训练子集，并权衡预测区分度与校准表现？
- 方法与思路
- 作者提出预测变量加权的余弦相似度，利用 relaxed adaptive group lasso 监督估计权重，再据此选择个体化训练样本。
- 材料陈述的贡献
- 摘要称，模拟与重症监护数据分析显示校准略有下降、区分度明显提高，二者综合后的 Brier Score 表现改善。
- 阅读关注点
- 应核对权重学习与预测评估的数据划分、相似患者数量选择、校准和区分度指标，以及 Brier Score 比较的具体设置。
- 阅读边界
- 所给材料为 arXiv 预印本，不能确认同行评审或期刊接收。摘要未报告样本规模、改善数值及外部验证结果。
原文摘要
Personalized predictive modelling has been growing rapidly with the increasing availability of Electronic Health Records. This approach aims to improve a model's predictive performance by fitting a unique model to each individual. We train the model on a subset of the training data consisting of individuals similar to the individual being predicted, identified through some similarity metric. Earlier studies show that using a personalized model trained on a customized subset of the data leads to better prediction than using a global model trained on the full dataset. In this work, we develop a new patient similarity metric to improve the prediction of a personalized model for binary response data. Specifically, we introduce a weighted cosine similarity metric that extends the standard cosine similarity metric by assigning predictor-specific weights when computing similarity between participants. These weights are estimated using a supervised approach with the relaxed adaptive group lasso. Results from simulation studies and an analysis of intensive care unit data show that although our proposed similarity metric leads to a slight deterioration in calibration, it produces substantial gains in discrimination. Overall predictive performance measured by the Brier Score improves because the increase in discrimination outweighs the loss in calibration; therefore, our proposed similarity metric more effectively identifies similar participants, resulting in improved predictive accuracy.