초록
사전에 사건 발생을 예측하면서 낮은 허위경보율을 유지할 수 있는 모델은 의료 커뮤니티에서 의사 결정 지원 시스템의 수용에 매우 중요합니다. 이 어려운 과제는 일반적으로 샘플 간의 시간적 의존성을 무시한 단순 이진 분류로 다루어지지만, 우리는 이러한 구조를 활용하는 방법을 제안합니다. 먼저 동적 생존 분석과 초기 사건 예측을 통합하는 공통적인 이론적 프레임워크를 소개합니다. 두 분야의 목표를 분석한 후, 예측의 시간적 단조성을 유지하면서도 더 간단하지만 최고 성능을 보이는 방법인 시간적 라벨 스무딩(TLS)을 제안합니다. TLS는 예측 신호가 강한 영역에 초점을 맞추어 두 가지 대규모 벤치마크 작업에서 모든 기준선보다 성능을 개선합니다. 특히 낮은 허위경보율에서의 사건 재현율과 같은 임상적으로 관련된 측정항목에서 성능 향상이 두드러집니다. TLS는 초기 사건 예측에서 이전에 사용되었던 접근 방식보다 최대 2배까지 놓친 사건의 수를 줄입니다.