ИНТЕРПРЕТАЦИЯЛАНАТЫН ЖӘНЕ КАЛИБРЛЕНГЕН АНСАМБЛЬДІК МАШИНАЛЫҚ ОҚЫТУ МОДЕЛЬДЕРІН ҚОЛДАНА ОТЫРЫП АУРУХАНА ІШІНДЕГІ ӨЛІМ-ЖІТІМДІ ЕРТЕ БОЛЖАУ

Аурухана жағдайында пациенттің өлім-жітім қаупін ерте кезеңде бағалау клиникалық тәжірибедегі маңызды міндеттердің бірі, әсіресе COVID-19 сияқты жұқпалы аурулар кең таралған жағдайда. Мұндай кезде шешімдер көбіне науқасты стационарға қабылдау сәтінде, шектеулі бастапқы клиникалық мәліметтер негізінде қабылданады. Машиналық оқыту әдістері бұл бағытта кеңінен қолданылғанымен, көптеген зерттеулер ерте клиникалық триаж талаптарына толық сәйкес келмейді. Бұл ең алдымен, ықтималдық болжамдарының сенімділігіне, уақыт бойынша өзгерістерге бейімделуіне және шешім қабылдауға негізделген бағалау тәсілдеріне жеткілікті көңіл бөлінбеуімен түсіндіріледі. Осы жұмыста ауруханаға түскен сәтте қолжетімді күнделікті клиникалық деректер негізінде өлім-жітім қаупін ерте болжау мәселесі қарастырылады. Зерттеу барысында нақты клиникалық жағдайларды бейнелеу мақсатында деректер уақыт бойынша қатаң бөлініп, модельдер осы қағидаға сәйкес оқытылып, бағаланды. Градиенттік бустингке негізделген ансамбльдік модельдер құрылып, болжамдардың сенімділігін арттыру үшін post-hoc изотоникалық калибрлеу әдісі қолданылды. Модельдердің тиімділігі дискриминациялық және калибрлеу метрикалары арқылы кешенді бағаланып, олардың клиникалық маңыздылығы шешім қабылдау қисықтарын талдау (Decision Curve Analysis, DCA) әдісімен зерттелді. Тәуелсіз, уақыт бойынша бөлінген тестілік жиында алынған нәтижелер ансамбльдік тәсілдің тәуекел бағаларының тұрақтылығын арттыратынын, ал калибрлеудің модельдің шекті мәндердегі жұмысын тұрақтандыратынын көрсетті. Сонымен қатар, калибрленген болжамдардың стандартты стратегиялармен салыстырғанда шекті мәндердің кең ауқымында жоғары тиімділік көрсететіні анықталды. Алынған нәтижелер ерте клиникалық шешім қабылдау жағдайында ықтималдық болжамдарының сенімділігі дискриминациялық қабілетпен қатар маңызды рөл атқаратынын дәлелдейді. Ұсынылған тәсіл уақыт бойынша өзгеретін деректер жағдайында және бастапқы ақпарат шектеулі болған кезде аурухана ішіндегі өлім-жітім қаупін бағалауға арналған сенімді әрі практикалық тұрғыдан негізделген әдіс.

1. Al-Nafjan, A., Aljuhani, A., Alshebel, A., Alharbi, A., Alshehri, A. Artificial intelligence in predictive healthcare: A systematic review. Journal of Clinical Medicine, 14 (19), 6752 (2025). https://doi.org/10.3390/jcm14196752

2. Bajwa, J., Munir, U., Nori, A., Williams, B. Artificial intelligence in healthcare: Transforming the practice of medicine. Future Healthcare Journal, 8 (2), e188–e194 (2021). https://doi.org/10.7861/fhj.2021-0095

3. Kelly, C. J., Karthikesalingam, A., Suleyman, M., Corrado, G., King, D. Key challenges for delivering clinical impact with artificial intelligence. BMC Medicine, 17, 195 (2019). https://doi.org/10.1186/s12916-019-1426-2

4. Wynants, L., Van Calster, B., Collins, G. S., Riley, R. D., Heinze, G., Schuit, E., COVID-19 Prediction Model Consortium. Prediction models for diagnosis and prognosis of COVID-19: Systematic review and critical appraisal. BMJ, 369, m1328 (2020). https://doi.org/10.1136/bmj.m1328

5. Rajwa, B., Naved, M. M. A., Adibuzzaman, M., Grama, A. Y., Khan, B. A., Dundar, M., Rochet, J.- C. Identification of predictive patient characteristics for assessing the probability of COVID-19 in-hospital mortality. PLOS Digital Health, 3 (4), e0000327 (2024). https://doi.org/10.1371/journal.pdig.0000327

6. Rudin, C., Chen, C., Chen, Z., Huang, H., Semenova, L., Zhong, C. Interpretable machine learning: Fundamental principles and 10 grand challenges. Statistics Surveys, 16, 1–85 (2022). https://doi.org/10.1214/21-SS133

7. Ennab, M., Mcheick, H. Enhancing interpretability and accuracy of AI models in healthcare: A comprehensive review on challenges and future directions. Frontiers in Robotics and AI, 11, 1444763 (2024). https://doi.org/10.3389/frobt.2024.1444763

8. Tonekaboni, S., Joshi, S., McCradden, M. D., Goldenberg, A. What clinicians want: Contextualizing explainable machine learning for clinical end use. Proceedings of Machine Learning Research, 106, 359–380 (2019). https://proceedings.mlr.press/v106/tonekaboni19a.html

9. Van Calster, B., McLernon, D. J., van Smeden, M., Wynants, L., Steyerberg, E. W. Calibration: The Achilles heel of predictive analytics. BMC Medicine, 17, 230 (2019). https://doi.org/10.1186/s12916-019-1466-7

10. Vickers, A. J., Van Calster, B., Steyerberg, E. W. Net benefit approaches to the evaluation of prediction models, molecular markers, and diagnostic tests. BMJ, 352, i6 (2016). https://doi.org/10.1136/bmj.i6

11. Sadatsafavi, M., Adibi, A., Puhan, M., Gershon, A., Aaron, S. D., Sin, D. D. Moving beyond AUC: Decision curve analysis for quantifying net benefit of risk prediction models. European Respiratory Journal, 58 (5), 2101186 (2021). https://doi.org/10.1183/13993003.01186-2021

12. Andaur Navarro, C. L., Damen, J. A. A., van Smeden, M., Takada, T., Nijman, S. W. J., Dhiman, P., Ma, J., Collins, G. S., Bajpai, R., Riley, R. D., Moons, K. G. M., Hooft, L. Systematic review identifies the design and methodological conduct of studies on machine learning-based prediction models. Journal of Clinical Epidemiology, 154, 1–12 (2023). https://doi.org/10.1016/j.jclinepi.2022.11.015

13. Giddings, R., Joseph, A., Callender, T., Janes, S. M., van der Schaar, M., Sheringham, J., Navani, N. Factors influencing clinician and patient interaction with machine learning-based risk prediction models: A systematic review. The Lancet Digital Health, 6 (2), e131–e144 (2024). https://doi.org/10.1016/S2589-7500(23)00241-8

14. Subbaswamy, A., Saria, S. From development to deployment: Dataset shift, causality, and shift-stable models in health AI. Biostatistics, 21 (2), 345–352 (2020). https://doi.org/10.1093/biostatistics/kxz041

15. Lu, J., Liu, A., Dong, F., Gu, F., Gama, J., Zhang, G. Learning under concept drift: A review. IEEE Transactions on Knowledge and Data Engineering, 31 (12), 2346–2363 (2019). https://doi.org/10.1109/TKDE.2018.2876857

16. dos Santos Silva, G. F., Barcellos Filho, F. N., Wichmann, R. M., da Silva Junior, F. C., Chiavegatto Filho, A. D. P. Strategies for detecting and mitigating dataset shift in machine learning for health predictions: A systematic review. Journal of Biomedical Informatics, 170, 104902 (2025). https://doi.org/10.1016/j.jbi.2025.104902

17. Riley, R. D., Archer, L., Snell, K. I. E., Ensor, J., Dhiman, P., Martin, G. P., Bonnett, L. J., Collins, G. S. Evaluation of clinical prediction models (part 2): How to undertake an external validation study. BMJ, 384, e074820 (2024). https://doi.org/10.1136/bmj-2023-074820

18. Austin, P. C., Steyerberg, E. W. The Integrated Calibration Index (ICI) and related metrics for quantifying the calibration of logistic regression models. Statistics in Medicine, 38 (21), 4051–4065 (2019). https://doi.org/10.1002/sim.8281

19. Ojeda, F. M., Jansen, M. L., Thiéry, A., Blankenberg, S., Weimar, C., Schmid, M., Ziegler, A. Calibrating machine learning approaches for probability estimation: A comprehensive comparison. Statistics in Medicine, 42 (29), 5451–5478 (2023). https://doi.org/10.1002/sim.9921

20. Gneiting, T., Raftery, A. E. Strictly proper scoring rules, prediction, and estimation. Journal of the American Statistical Association, 102 (477), 359–378 (2007). https://doi.org/10.1198/016214506000001437

21. Chalkou, K., Vickers, A. J., Pellegrini, F., Manca, A., Salanti, G. Decision curve analysis for personalized treatment choice between multiple options. Medical Decision Making, 43 (3), 337–349 (2022). https://doi.org/10.1177/0272989X221143058

22. Piovani, D., Sokou, R., Tsantes, A. G., Vitello, A. S., Bonovas, S. Optimizing clinical decision making with decision curve analysis: Insights for clinical investigators. Healthcare, 11 (16), 2244 (2023). https://doi.org/10.3390/healthcare11162244