在疾病的早期诊断和治疗中，面临着重大挑战。近年来，基于患者数据的机器学习（ML）算法在预测患者健康状态方面展现了良好的前景。然而，应用这些ML算法时常会遇到的问题是，在特定时刻所需的所有临床变量（特征）并不总是可用。为此，我们定义了全特征能力（Full-Feature-Capacity，FFC）的概念，指的是算法在使用所有训练特征时的预测性能。
我们引入了特征充足性分析（Feature Sufficiency Analysis，FSA），用于判断AI模型所需特征的子集是否足以达到FFC。FSA通过估计缺失变量在可用特征条件下的潜在分布，提供了患者特定的评估，以确定现有测量特征是否足以实现FFC。如果是，则无需获取更多输入，直接进行基于ML的预测。
我们提供了两个案例研究：一是预测心脏手术后恢复患者的延长通气需求；二是预测门诊队列中的10年死亡率。FSA还展示了一种基于预测充足性的临床可解释特征排名方法，识别出内在难以预测的患者群体，并具有进行临床数据采集的成本优化潜力。FSA提供了一种通用的计算方法，用于判断不完整的临床信息是否足以支持可信赖的AI辅助临床决策，从而促进医疗AI系统在多样化临床环境中的前瞻性部署。
博主点评： 本文提出的特征充足性分析为医疗AI的应用提供了重要的理论基础，特别是在数据不全的情况下，能够有效评估AI模型的预测能力。通过引入临床可解释性，FSA不仅提升了模型的可靠性，也为实际医疗决策提供了更大的支持。其潜在的成本优化功能也为医疗资源的合理配置提供了新思路。