Reducing overconfident errors in clinical prediction models

Henry Bayly

doi:10.1186/s12911-026-03681-0

Reducing overconfident errors in clinical prediction models

2026-07-20

0

OA

AI

DOI：10.1186/s12911-026-03681-0

原文链接

原文求助

摘要

En 中文

机器学习（ML）模型正越来越多地应用于临床工作流程。对这些模型的评估往往侧重于全局性能指标，这可能掩盖错误模式并导致临床决策中的偏差。本文提出了一种基于邻近错误的置信度调整（PECA）框架，该框架旨在通过降低模型在特征空间中与历史预测错误相关的区域内的置信度来提高ML预测的安全性。与仅优化全局指标不同，PECA通过按比例降低与先前观察到的错误相似的预测置信度，来针对高置信度误分类。在广泛的模拟中，PECA降低了模型做出高置信度误分类的速率，同时保留了模型的整体预测能力。我们将该框架应用于阿尔茨海默病临床试验入组工作流程，其结果与模拟结果一致，同时展示了相对于基线模型的优越统计功效。本文结果表明，利用历史错误模式来抑制模型过度自信的预测倾向，可能是迈向更安全、更可靠的数字公共卫生ML系统的关键一步。

Reducing overconfident errors in clinical prediction models

摘要

期刊

机构

引用论文