将机器学习与统计方法结合可以增强疾病风险预测模型
作者：by Health Data Science
北京大学的研究人员对机器学习与疾病风险预测模型中的统计方法相结合进行了全面的系统回顾，揭示了此类集成模型在临床诊断和筛查实践中的潜在价值。The （原文中这部分没有具体内容，故保留原样）学习, 由北京大学公共卫生学院流行病学与生物统计学系冯 sun 教授领导的研究发表在健康数据科学.
疾病风险预测至关重要用于早期诊断并有效的地方性决策。然而，传统的统计模型，如逻辑回归并且Cox比例风险回归模型通常由于在实践中可能不总是成立的基本假设而面临局限性。
与此同时，尽管机器学习方法具有灵活性和处理复杂及非结构化数据的能力，在某些场景下并未始终展现出优于传统模型的性能。为了解决这些挑战，将机器学习与传统统计方法相结合可能能够提供更稳健和准确的预测模型。
无 내용 제공되지 않았습니다. 原文输出如下：The系统评价分析了各种集成针对分类和回归模型的策略，包括多数投票、加权投票、堆叠和模型选择，基于统计方法和机器学习预测结果是否不一致。研究表明，集成模型通常在单独使用统计方法或机器学习方法时表现更佳。例如，当涉及超过100个预测变量的模型时，堆叠特别有效，因为它允许结合不同模型的优势并最小化弱点。
冯.sun教授，这位资深研究员表示：“我们的研究结果表明，将机器学习融入传统统计方法可以为疾病风险预测提供更准确和通用的模型。”“这种方法有望提升临床决策水平并改善患者预后。”
展望未来，研究团队计划进一步验证和改进现有的集成方法，并开发全面的工具，在各种临床环境中评估这些模型。最终目标是建立更加高效且通用的集成模型，以适应不同的场景，从而推动发展。临床诊断筛查实践。
更多信息：孟张等，将机器学习融入疾病风险预测模型的统计方法：系统性回顾健康数据科学 (2024). DOI: 10.34133/hds.0165
提供者 健康数据科学
引用将机器学习与统计方法结合增强疾病风险预测模型（2024年10月14日） 检索于2024年10月14日 从 https://medicalxpress.com/news/2024-10-machine-statistical-methods-disease.html
本文件受版权保护。除个人研究或学习目的的合理使用外，未经书面许可，不得以任何形式复制。内容仅用于提供信息之目的。
暂无评论