Порівняння байєсівських мереж різної структурної складності для прогнозування летальності при COVID-19

Анотація

У роботі розглянуто методологію побудови, налаштування та порівняння трьох імовірнісних моделей – байєсівських  мереж різних класів зі зростаючою структурною складністю – для задачі прогнозування летальності пацієнтів із  коронавірусною хворобою. Порівняно наївний баєсів класифікатор, деревоподібно доповнений наївний баєсів класифікатор  та структурно обмежену байєсівську мережу, структуру якої відновлюють із даних алгоритмом структурного навчання під  експертними клінічними обмеженнями. Щоб відокремити вплив структурної складності від відбору ознак, налаштування  параметрів і вибору порогів, застосовано порівняння за однакових умов із послідовним спрощенням та ускладненням  структури моделі. Особливу увагу приділено розмежуванню двох аспектів якості моделей – розпізнавальної здатності та  якості (узгодженості) прогнозованих імовірностей, оскільки для клінічної системи підтримки прийняття рішень  визначальною є саме достовірність оцінки ризику, а не лише впорядкування пацієнтів за ступенем ризику. Дослідження  проведено на відкритому реєстрі пацієнтів із коронавірусною хворобою за клінічними ознаками з оцінюванням на вибірці,  що відтворює природну поширеність летальних випадків. Розглянуто перенесення прогнозованих імовірностей у природну  популяцію коригуванням апріорної ймовірності, а також чутливість клінічних рішень до співвідношення вартостей помилок  та аналіз чистої клінічної користі. Мета роботи – обґрунтувати доцільність застосування структурно обмеженої байєсівської  мережі як інтерпретованого інструмента оцінювання ризику в системах підтримки прийняття клінічних рішень.