临床机器学习中隐藏的数据挑战

arXiv:2610.13350v1 公告类型：新提交 摘要：广泛复用的电子健康记录预处理流程可能隐含一些假设，涉及信息何时可用、标签代表哪一次临床诊疗过程，以及数据缺失意味着什么。这些假设很少得到系统性审查，并可能随着预处理流程的复用或调整而传播到后续研究中。我们以 MIMIC-IV 为案例，识别并量化了三种互补的预处理对齐形式，即时间对齐、语义对齐和人群对齐的违反情况，它们分别表现为时间泄漏、特征与任务不匹配以及有偏插补。我们展示了时间戳语义、诊疗过程定义、终点构建、模态选择和缺失值处理中的歧义如何改变模型可用的信息，并影响对其预测结果的解释。通过对 MIMIC-IV 数据的分析和实证案例研究，我们证明，这类选择虽然会改变模型所依赖的信号，却可能在总体预测性能中基本不显现。我们据此提出了切实可行的建议，以便对 MIMIC-IV 及相关电子健康记录数据集开展时间上有效、与临床相契合且可复现的预处理。我们的实验代码（包括所提出的预处理方法）可在以下地址获取：https://github.com/m2l-lab/mimic-iv-preprocess。