Аңдатпа
Машиналық оқыту модельдері клиникалық шешімдерді қолдау үшін уақыт өте келе сапасын жоғалтуы мүмкін, себебі уақыттық ауытқу (temporal drift) және пациенттер популяциясындағы өзге-рістер болады, бірақ ОАР (Оқшаулау және қарқынды терапия бөлімшесі) ішінде өлімді болжауміндеттерінде ұзақ мерзімдіуақыттық бағалаулар әлі де шектеулі болып қалып отыр. Бұл зерттеуде MIMIC-IV деректері негізінде оқытылған LightGBM моделінің уақыттық тұрақтылығы, калибрлеуі және үлестірім ауытқуы бағаланды. Талдау 2008-2019 жылдар аралығындағы ересек пациенттердің 65 355 стационарлық емделу жағдайын қамтыды және үш деңгейлі валидация схемасын қолданды: стандартты, уақыттық және псевдо сыртқы валидация. Модель жоғары дискриминациялық қабілеттілікті көрсетті (AUC-ROC 0,998-ге дейін) және болашақ деректерде тестілеу кезінде калибрлеуі жақсарды. PSI талдауы маңызды белгілер ауытқуының жоқтығын анықтады, ал SHAP талдауы физиологиялық зертханалық көрсеткіштердіңшешуші рөлін көрсетті. Нәтижелер негізгі физиологиялық белгілерге негізделген және қатаң валидациядан өткен модельдер жиі қайта оқытусыз көп жыл бойы тұрақтылықты сақтай алатынын көрсетеді.