Reliable Early Sepsis Triage
通过保形预测与成本感知转介，在数据分布变化时兼顾风险识别、置信度与人工复核成本。
文章与方法摘要＋
文章研究 ICU 场景中的败血症早期识别：先将逐小时病历整理为提前 6 小时的患者级样本，再用轻量神经网络估计风险。模型输出经过概率校准后，一方面构造带覆盖率含义的预测集合，另一方面依据漏诊、误报与人工复核的不同代价，决定直接预测或转交复核。
方法同时比较常规测试数据与时间靠后的分布变化数据，并从判别能力、概率校准、风险—覆盖关系、期望成本和预测集合覆盖率等角度评估整体表现。
Research workflow
研究流程
从原始 ICU 时序到最终评估，主干由数据处理、模型训练和模型测试三部分组成。流程中的箭头表示数据或决策的传递方向，分叉表示同一中间结果进入不同方法路径。
Data processing
数据处理
从 ICU 时序记录形成可训练的患者级表格。
Model development
模型训练
先学习风险概率，再建立预测集合与转介规则。
1训练分类器交叉熵学习网络参数
→
2校准概率拟合温度参数
→
3计算非符合度1 − 真实类别概率
→
4建立预测集合三种保形分位数
→
5选择转介阈值最小化综合成本
校准后的概率进入两条决策路径
预测集合路径同一非符合度，三种分位数策略
转介决策路径比较漏诊、误报与复核代价
校准风险概率 + 预测集合 + 转介决策
Evaluation
模型测试
在常规数据与时间变化数据上进行多维评估。