Istraživači sa Univerziteta u Pekingu sproveli su sveobuhvatan sistematski pregled o integraciji mašinskog učenja u statističke metode za modele predviđanja rizika od bolesti, bacajući svetlo na potencijal takvih integrisanih modela u kliničkoj dijagnozi i praksi skrininga. Studija, koju je vodio profesor Feng Sun sa Odeljenja za epidemiologiju i biostatistiku, Fakulteta javnog zdravlja Univerziteta u Pekingu, objavljena je u Health Data Science.
Predviđanje rizika od bolesti je ključno za ranu dijagnozu i efikasno kliničko donošenje odluka. Međutim, tradicionalni statistički modeli, kao što su logistička regresija i Koksova proporcionalna regresija opasnosti, često se suočavaju sa ograničenjima zbog osnovnih pretpostavki koje se možda ne primenjuju uvek u praksi.
U međuvremenu, metode mašinskog učenja, uprkos njihovoj fleksibilnosti i sposobnosti da rukuju složenim i nestrukturiranim podacima, nisu dosledno pokazivale superiorne performanse u odnosu na tradicionalne modele u određenim scenarijima. Za rešavanje ovih izazova, integrisanje mašinskog učenja sa tradicionalnim statističkim metodama može ponuditi robusnije i tačnije modele predviđanja.
Sistematski pregled analizirao je različite strategije integracije za modele klasifikacije i regresije, uključujući većinsko glasanje, ponderisano glasanje, slaganje i izbor modela, na osnovu toga da li se predviđanja iz statističkih metoda i mašinskog učenja ne slažu. Studija je otkrila da su modeli integracije generalno nadmašili i statističke metode i metode mašinskog učenja kada se koriste sami. Na primer, slaganje je bilo posebno efikasno za modele koji uključuju preko 100 prediktora, jer omogućava kombinaciju prednosti različitih modela uz minimiziranje slabosti.
„Naši nalazi sugerišu da integrisanje mašinskog učenja u tradicionalne statističke metode može pružiti tačnije i generalizujuće modele za predviđanje rizika od bolesti“, rekao je profesor Feng Sun, viši istraživač. „Ovaj pristup ima potencijal da poboljša kliničko donošenje odluka i poboljša ishode pacijenata.“
Gledajući unapred, istraživački tim planira da dalje validira i poboljša postojeće metode integracije i razvije sveobuhvatne alate za procenu ovih modela u različitim kliničkim okruženjima. Krajnji cilj je da se uspostave efikasniji i generalizativniji modeli integracije prilagođeni različitim scenarijima, na kraju unapređujući kliničku dijagnozu i prakse skrininga.
