Tyrėjai iš Pekino universiteto atliko išsamią sisteminę mašininio mokymosi integravimo į statistinius ligų rizikos prognozavimo modelių metodus apžvalgą, atskleisdami tokių integruotų modelių potencialą klinikinėje diagnozėje ir atrankos praktikoje. Tyrimas, kuriam vadovavo Pekino universiteto Visuomenės sveikatos mokyklos Epidemiologijos ir biostatistikos katedros profesorius Feng Sunas, buvo paskelbtas m. Sveikatos duomenų mokslas.
Ligos rizikos prognozavimas yra labai svarbus ankstyvai diagnozei ir veiksmingiems klinikiniams sprendimams priimti. Tačiau tradiciniai statistiniai modeliai, tokie kaip logistinė regresija ir Cox proporcinga pavojų regresija, dažnai susiduria su apribojimais dėl pagrindinių prielaidų, kurios ne visada gali pasitvirtinti praktikoje.
Tuo tarpu mašininio mokymosi metodai, nepaisant jų lankstumo ir gebėjimo tvarkyti sudėtingus ir nestruktūrizuotus duomenis, tam tikrais atvejais neparodė geresnių rezultatų, palyginti su tradiciniais modeliais. Siekiant išspręsti šiuos iššūkius, mašininio mokymosi integravimas su tradiciniais statistikos metodais gali pasiūlyti patikimesnius ir tikslesnius prognozavimo modelius.
Sistemingoje apžvalgoje buvo analizuojamos įvairios klasifikavimo ir regresijos modelių integravimo strategijos, įskaitant balsavimą daugumos, svertinį balsavimą, kaupimą ir modelių pasirinkimą, atsižvelgiant į tai, ar statistinių metodų ir mašininio mokymosi prognozės nesutampa. Tyrimas parodė, kad integracijos modeliai paprastai pranoko tiek statistinius, tiek mašininio mokymosi metodus, kai jie buvo naudojami atskirai. Pavyzdžiui, krovimas buvo ypač veiksmingas modeliams, kuriuose yra daugiau nei 100 prognozių, nes tai leidžia derinti skirtingų modelių stipriąsias puses, tuo pačiu sumažinant trūkumus.
„Mūsų išvados rodo, kad mašininio mokymosi integravimas į tradicinius statistinius metodus gali suteikti tikslesnius ir apibendrinamus ligos rizikos prognozavimo modelius”, – sakė vyresnysis mokslo darbuotojas profesorius Feng Sunas. „Šis metodas gali pagerinti klinikinių sprendimų priėmimą ir pagerinti pacientų rezultatus.”
Žvelgdama į ateitį, tyrimų grupė planuoja toliau patvirtinti ir tobulinti esamus integravimo metodus ir sukurti išsamias priemones šiems modeliams įvertinti įvairiose klinikinėse aplinkose. Galutinis tikslas yra sukurti veiksmingesnius ir apibendrinamus integracijos modelius, pritaikytus skirtingiems scenarijams, galiausiai patobulinant klinikinę diagnozę ir atrankos praktiką.
Pateikė Health Data Science