Докторант
Костанай
PhD student
Kostanay
К.т.н., ассоциированный профессор
Костанай
Cand.Tech.Sc., Associate Professor
Kostanay
Раннее выявление пациентов с высоким риском внутрибольничной летальности остается одной из ключевых задач клинической практики, особенно в условиях вспышек инфекционных заболеваний, таких как COVID-19, когда решения должны приниматься уже на этапе госпитализации при ограниченном объеме доступной информации. Несмотря на широкое применение методов машинного обучения для прогнозирования летальности, многие существующие модели разрабатываются и оцениваются в условиях, снижающих их применимость для ранней клинической триаж-оценки, включая недостаточное внимание к надежности вероятностных прогнозов, временной обобщаемости и ориентированной на принятие решений оценке. В работе рассматривается задача раннего прогнозирования риска летального исхода на основе рутинно доступных клинических данных, собираемых при поступлении пациента в стационар. Разрабатывается ансамбль моделей градиентного бустинга, анализируемый в условиях строгого временного разделения обучающей и тестовой выборок, что отражает реалистичные сценарии практического внедрения. Особый акцент сделан на надежности прогнозируемых вероятностей: для улучшения согласованности между предсказанными рисками и наблюдаемыми исходами применяется пост-хок изотоническая калибровка. Качество моделей оценивается с использованием совокупности дискриминационных и калибровочных метрик, а клиническая значимость анализируется с помощью анализа кривых принятия решений в диапазоне практически значимых порогов. Оценка на независимой временно отложенной тестовой выборке показывает, что ансамблевая агрегация повышает устойчивость оценок риска, а калибровка обеспечивает более согласованное пороговое поведение без изменения ранжирующей способности моделей. Анализ кривых принятия решений демонстрирует преимущество откалиброванных прогнозов по чистому выигрышу в широком диапазоне порогов раннего клинического триажа. Полученные результаты подчеркивают, что надежность вероятностных оценок играет ключевую роль наряду с дискриминационной способностью моделей. Предложенный подход представляет собой методологически обоснованное решение для ранней оценки риска внутрибольничной летальности в условиях реальной клинической практики и временной нестабильности данных.
Early identification of patients at high risk of in-hospital mortality is a persistent challenge in clinical practice, particularly during infectious disease outbreaks such as COVID-19, when decisions must be made at the time of hospital admission using incomplete information. Although machine learning methods have been widely applied to mortality prediction, many existing models are developed and assessed under conditions that limit their usefulness for early triage, including insufficient attention to probability reliability, temporal generalization, and decisionoriented assessment. This work examines early-stage mortality risk prediction using routinely available clinical data collected at the time of hospital admission. An ensemble of gradient boosting models is developed and analyzed under strict temporal separation to reflect real-world deployment conditions. Particular emphasis is placed on the reliability of predicted probabilities, with post-hoc isotonic calibration applied to improve alignment between predicted risks and observed outcomes. Model performance is assessed using complementary discrimination and calibration metrics, while clinical relevance is examined through decision curve analysis across plausible operating thresholds. Evaluation on an independent, temporally held-out test set shows that ensemble aggregation improves the stability of risk estimates, while calibration yields more consistent threshold-based behavior without altering ranking performance. Decision curve analysis indicates that calibrated predictions provide higher net benefit than default decision strategies across a broad range of early triage thresholds. These findings highlight that, in early clinical decision-making, probability reliability plays a critical role alongside discrimination. The presented framework offers a methodologically robust approach to early in-hospital mortality risk assessment under realistic clinical and temporal constraints.
The authors declare that there are no conflicts of interest present.