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
核心概要
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。
Figure 3.1: Distribution of the number of visits per patient
· 第 23 页深度剖析
分层两阶段建模（先区分取消，再区分到场与爽约）在少数类上优于单阶段多分类基线。 相对将取消与爽约合并或只预测单一结果的既有做法，该研究把两类未到场事件拆成顺序二分类问题，并在同一架构下与单阶段模型直接对比。 在1,825,948条化疗预约上，取消F1由0.78升至0.87（决策树）、0.85升至0.92（XGBoost）、0.83升至0.92（MLP），爽约F1由0.23升至0.30、0.13升至0.18、0.04升至0.12；到场类F1稳定在0.94–0.95。
同时纳入静态与时间特征、并在原始特征上叠加派生特征，可提升少数类识别能力。 既有研究多偏重静态或时间特征之一，该研究通过消融实验直接比较特征族与特征类型的组合效果。 消融显示静态+时间组合在爽约上F1为0.69，而静态单独为0.12、时间单独为0.03；原始+派生组合在爽约上F1为0.74，原始单独为0.69、派生单独为0.11；SHAPIQ显示静态–时间交互贡献24.6%。
用临近取消的原因标签通过半监督伪标注推断爽约原因，使两类未到场事件都能给出原因预测。 既有模型通常只预测是否未到场，且爽约原因在排程系统中缺乏记录；该研究把77,702条24小时内取消的原因标签迁移到25,377条爽约记录上。 伪标注阈值0.60时XGBoost在爽约原因上准确率0.71、加权F1为0.70；最终爽约与取消原因的加权F1分别为0.57与0.54。
反事实模拟表明常规提醒类干预在该化疗场景中效果有限甚至为负，而提供者一致性与承诺式排程更具潜力。 既有工作多停留在预测精度或回顾性评估，该研究在部署前用模型估计多种干预对取消与爽约率的预期影响。 SMS提醒使取消变化−0.16%、爽约−0.43%；缩短提前期使爽约−1.80%；提供者一致性使取消+2.19%但爽约−1.92%；承诺式排程使取消+0.13%、爽约+0.11%，为唯一同时改善两者的策略。
启示与展望
该框架面向化疗门诊排程场景，输入仅来自排程系统可获取的运营字段，因此适用于排程员与护理协调员在预约或改约时即可使用的信息环境；作者指出分层建模、原因预测与反事实分析等核心要素可迁移到初级保健、心理健康与慢病管理等预约依从性关键的门诊场景，并建议在实验环境中验证其准确性与稳健性。
反事实结果来自离线模拟而非前瞻实验，作者明确不主张因果解释；数据缺少人口学与社会经济变量，也未纳入临床笔记等非结构化信息；爽约原因标签由半监督伪标注推断而来，其可靠性取决于临近取消与爽约原因分布的可迁移程度；不同数据划分下爽约F1在0.74–0.82之间波动，提示结果对划分方式敏感。