A integração do aprendizado de máquina com métodos estatísticos aprimora os modelos de previsão de risco de doenças

Pesquisadores da Universidade de Pequim conduziram uma revisão sistemática abrangente sobre a integração do aprendizado de máquina em métodos estatísticos para modelos de previsão de risco de doenças, lançando luz sobre o potencial de tais modelos integrados no diagnóstico clínico e nas práticas de triagem. O estudo, liderado pelo professor Feng Sun, do Departamento de Epidemiologia e Bioestatística da Escola de Saúde Pública da Universidade de Pequim, foi publicado em Ciência de dados de saúde.

A previsão do risco de doenças é crucial para o diagnóstico precoce e a tomada de decisões clínicas eficazes. No entanto, os modelos estatísticos tradicionais, como a regressão logística e a regressão de riscos proporcionais de Cox, enfrentam frequentemente limitações devido a pressupostos subjacentes que nem sempre podem ser aplicados na prática.

Entretanto, os métodos de aprendizagem automática, apesar da sua flexibilidade e capacidade de lidar com dados complexos e não estruturados, não demonstraram consistentemente um desempenho superior em relação aos modelos tradicionais em determinados cenários. Para enfrentar esses desafios, a integração do aprendizado de máquina com métodos estatísticos tradicionais pode oferecer modelos de previsão mais robustos e precisos.

A revisão sistemática analisou várias estratégias de integração para modelos de classificação e regressão, incluindo votação majoritária, votação ponderada, empilhamento e seleção de modelos, com base na discordância das previsões dos métodos estatísticos e do aprendizado de máquina. O estudo descobriu que os modelos de integração geralmente superam os métodos estatísticos e de aprendizado de máquina quando usados ​​sozinhos. Por exemplo, o empilhamento foi particularmente eficaz para modelos que envolvem mais de 100 preditores, pois permite a combinação dos pontos fortes de diferentes modelos, ao mesmo tempo que minimiza os pontos fracos.

“Nossas descobertas sugerem que a integração do aprendizado de máquina em métodos estatísticos tradicionais pode fornecer modelos mais precisos e generalizáveis ​​para a previsão de risco de doenças”, disse o professor Feng Sun, pesquisador sênior. “Esta abordagem tem o potencial de melhorar a tomada de decisões clínicas e melhorar os resultados dos pacientes”.

Olhando para o futuro, a equipa de investigação planeia validar e melhorar ainda mais os métodos de integração existentes e desenvolver ferramentas abrangentes para avaliar estes modelos em vários ambientes clínicos. O objetivo final é estabelecer modelos de integração mais eficientes e generalizáveis, adaptados a diferentes cenários, avançando, em última análise, o diagnóstico clínico e as práticas de rastreio.

Fornecido pela Health Data Science