في عالم الرعاية الصحية، يعد التنبؤ الدقيق بالنتائج السريرية أمراً حيوياً، ولكن التحديات التي تواجهها النماذج السريرية عند تطبيقها عبر أنظمة صحية مختلفة تبقى هائلة. إحدى القضايا البارزة هي غياب متغيرات التدريب الأساسية عند تنفيذ هذه النماذج، مما قد يؤدي إلى أداء ضعيف خاصة في البيانات الموجودة في سجلات دولية.

حيث تعتمد النماذج ذات الأداء العالي في التنبؤ بالسكتة القلبية خارج المستشفيات (OHCA) على قياسات تفصيلية تُجمع بشكل روتيني في بيئات ذات موارد عالية. ومع ذلك، فإن هذه القياسات قد تكون مفقودة في العديد من السجلات الدولية.

قدم الباحثون حلاً مبتكراً يُعرف بإطار DRUM (D istributionally R obust U nsupervised transfer learning with structurally M issing covariates)، حيث يهدف إلى تعزيز الأداء التنبؤي للنماذج عند انتقالها إلى شرائح سكانية تفتقر إلى بعض المتغيرات.

بشكل أساسي، يقوم إطار DRUM بتقسيم المتغيرات إلى مكونات مشتركة (X) تُلاحظ عبر جميع البيئات، ومكونات مفقودة (A) لا تُسجل إلا في مصدر البيانات. بدلاً من محاولة تقدير المتغيرات المفقودة، يركز الإطار على تحسين الأداء التنبؤي الأسوأ باستخدام شبكة عصبية يمكنها التعامل مع توزيع البيانات المستهدف المجهول. كما يتضمن الإطار إجراء تصحيح للانحياز الذي يقلل من الحساسية تجاه الأخطاء التقديرية.

وفقًا لمحاكاة تم إجراؤها، ظهرت تحسنات ملحوظة في كل من متوسط ​​خطأ التنبؤ وأخطاء التنبؤ في أسوأ الحالات عند تغيير التوزيع. وعند تطبيق DRUM على التنبؤ بالسكتة القلبية خارج المستشفيات عبر سجلات آسيوية، أظهرت النتائج أنه تم الحصول على تنبؤات أفضل وتقييم عيادي محسن عبر المواقع.