将机器学习与统计方法相结合可以增强疾病风险预测模型

北京大学的研究人员系统地回顾了将机器学习整合到疾病风险预测模型的统计方法中。通过将机器学习与传统统计方法相结合，本研究有望提高预测模型在临床实践中的准确性和适用性。

　　

北京大学的研究人员对将机器学习集成到疾病风险预测模型的统计方法中进行了全面的系统综述，揭示了这种集成模型在临床诊断和筛查实践中的潜力。该研究由北京大学公共卫生学院流行病学与生物统计系孙峰教授领导，发表在《健康数据科学》杂志上。

疾病风险预测对于早期诊断和有效的临床决策至关重要。然而，传统的统计模型，如逻辑回归和Cox比例风险回归，往往由于潜在的假设在实践中可能并不总是成立而面临局限性。与此同时，机器学习方法尽管具有处理复杂和非结构化数据的灵活性和能力，但在某些场景中并没有始终表现出优于传统模型的性能。为了应对这些挑战，将机器学习与传统的统计方法相结合，可能会提供更稳健、更准确的预测模型。

系统评价分析了分类和回归模型的各种集成策略，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的预测是否不一致。研究发现，当单独使用时，集成模型通常优于统计和机器学习方法。例如，堆叠对于涉及超过100个预测器的模型特别有效，因为它允许不同模型的优势组合，同时最小化弱点。

首席研究员孙峰教授表示：“我们的研究结果表明，将机器学习整合到传统的统计方法中，可以为疾病风险预测提供更准确、更通用的模型。”“这种方法有可能增强临床决策并改善患者的预后。”

展望未来，研究小组计划进一步验证和改进现有的整合方法，并开发综合工具，用于在各种临床环境中评估这些模型。最终目标是建立针对不同情况的更有效和可推广的集成模型，最终推进临床诊断和筛查实践。