预测荷兰社区老年人的残疾模型的外部验证:一项比较研究
Tjeerd van der Ploeg1, René Schalk2,3,4, Robbert J J Gobbens1,2,5,6
1Faculty of Health, Sports and Social Work, Inholland University of Applied Sciences, Amsterdam, the Netherlands.
Clinical interventions in aging
|November 29, 2023
概括
先进的统计模型可以预测健康结果,但并不总是胜过回归. 四个模型 (GLM,SVM,RP,RF) 显示了对老年人残疾的良好预测,除非数据有显著的偏差.
科学领域:
- 老年学是指老年学的学科.
- 医疗信息学 医疗信息学
- 生物统计学 生物统计学
背景情况:
- 预测社区老年人的健康结果至关重要.
- 先进的统计模型越来越多地用于健康结果预测.
- 传统的回归技术仍然是预测建模的基准.
研究的目的:
- 为外部验证五种统计建模策略,用于预测老年人的残疾.
- 为了比较一般线性模型 (GLM),支持向量机 (SVM),神经网络 (NN),递归分区 (RP) 和随机森林 (RF) 的性能.
- 评估这些模型在荷兰老年人的不同数据集中的通用性.
主要方法:
- 分析了5项关于荷兰社区老年人研究的数据.
- 蒂尔堡脆弱性指标 (TFI) 用于测量14个残疾预测因素.
- 使用格罗宁根活动限制量表 (GARS) 评估残疾.
- 模型是在一个数据集上开发的,并在剩余的四个数据集上验证,评估校准,相关性和根平均平方误差.
主要成果:
- 一般线性模型 (GLM),支向量机 (SVM),递归分区 (RP) 和随机森林 (RF) 在验证数据集上表现出令人满意的性能.
- 所有模型在偏差的数据集上表现不佳,原因是基线特征不同.
- 与开发数据集相比,神经网络 (NN) 模型在验证数据集上表现明显差.
结论:
- 四种统计模型 (GLM,SVM,RP,RF) 提供了令人满意的老年人残疾预测.
- 模型性能是可靠的,除非它适用于具有显著不同特征的数据集.
- 神经网络 (NN) 对于这个特定的预测任务在外部验证方面表现出局限性.
