Health Care Management Science 2026年9月22日该研究基于Dana-Farber癌症研究所1,825,948条化疗预约记录，构建分层机器学习流程先预测取消再预测爽约，取消与爽约的F1分别达0.76与0.82，较单阶段多项基线在少数类上提升7–10个百分点；并用半监督学习从临近取消中推断爽约原因（加权F1为0.57与0.54），再通过反事实模拟评估干预措施，发现提醒等常规策略效果有限，而提升提供者一致性与承诺式排程可同时或分别降低取消与爽约。该研究基于Dana-Farber癌症研究所1,825,948条化疗预约记录，构建分层机器学习流程先预测取消再预测爽约，取消与爽约的F1分别达0.76与0.82，较单阶段多项基线在少数类上提升7–10个百分点；并用半监督学习从临近取消中推断爽约原因（加权F1为0.57与0.54），再通过反事实模拟评估干预措施，发现提醒等常规策略效果有限，而提升提供者一致性与承诺式排程可同时或分别降低取消与爽约。用分层机器学习与反事实分析预测并干预化疗预约的取消与爽约该研究基于Dana-Farber癌症研究所1,825,948条化疗预约记录，构建分层机器学习流程先预测取消再预测爽约，取消与爽约的F1分别达0.76与0.82，较单阶段多项基线在少数类上提升7–10个百分点；并用半监督学习从临近取消中推断爽约原因（加权F1为0.57与0.54），再通过反事实模拟评估干预措施，发现提醒等常规策略效果有限，而提升提供者一致性与承诺式排程可同时或分别降低取消与爽约。该研究基于Dana-Farber癌症研究所1,825,948条化疗预约记录，构建分层机器学习流程先预测取消再预测爽约，取消与爽约的F1分别达0.76与0.82，较单阶段多项基线在少数类上提升7–10个百分点；并用半监督学习从临近取消中推断爽约原因（加权F1为0.57与0.54），再通过反事实模拟评估干预措施，发现提醒等常规策略效果有限，而提升提供者一致性与承诺式排程可同时或分别降低取消与爽约。