Inference on summaries of a model-agnostic longitudinal variable importance trajectory with application to suicide prevention
模型无关的纵向变量重要性轨迹摘要推断及其自杀预防应用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：摘要核心是临床纵向预测的变量重要性推断，未说明经济面板结构或因果目标，通用预测方法不足以归入给定细分。
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…
模型无关的纵向变量重要性轨迹摘要推断及其自杀预防应用
- 研究问题
- 在纵向预测中，如何衡量风险因素在各时间点的重要性及其跨时间汇总，并在使用复杂机器学习预测器时开展推断？
- 方法与思路
- 作者定义变量重要性轨迹的摘要量及估计量，提出非参数有效估计、推断和零假设检验，方法可用于不同预测算法。
- 材料陈述的贡献
- 摘要称程序在模拟中具有良好表现，并使用两个大型医疗系统的电子病历，分析自杀未遂风险因素的纵向预测重要性。
- 阅读关注点
- 应核对变量重要性的目标定义、轨迹摘要方式，以及纵向依赖和观测缺失的处理；还需检查机器学习估计所需的误差条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；预测重要性不能直接解释为因果作用，摘要未说明有效推断的完整条件。
原文摘要
Risk of suicide attempt varies over time. Understanding the importance of risk factors measured at a mental health visit can help clinicians evaluate future risk and provide appropriate care during the visit. In prediction settings where data are collected over time, such as in mental health care, it is often of interest to understand both the importance of variables for predicting the response at each time point and the importance summarized over the time series. Building on recent advances in estimation and inference for variable importance measures, we define summaries of variable importance trajectories and corresponding estimators. The same approaches for inference can be applied to these measures regardless of the choice of the algorithm(s) used to estimate the prediction function. We propose a nonparametric efficient estimation and inference procedure as well as a null hypothesis testing procedure that are valid even when complex machine learning tools are used for prediction. Through simulations, we demonstrate that our proposed procedures have good operating characteristics. We use these approaches to analyze electronic health records data from two large health systems to investigate the longitudinal importance of risk factors for suicide attempt to inform future suicide prevention research and clinical workflow.