相关实验视频
Updated: Jun 14, 2025
07:20
Inducement and Evaluation of a Murine Model of Experimental Myopia
Published on: January 22, 2019
9.8K
处理早期近视风险预测模型的缺失数据和测量误差
Hongyu Lai1, Kaiye Gao2,3,4, Meiyan Li5
1School of Data Science, Fudan University, Shanghai, China.
BMC medical research methodology
|September 6, 2024
概括
准确的近视风险预测对儿童至关重要. 多重归算与校准 (MI-ME) 有效地处理缺失数据和测量错误,优于早期近视检测的其他方法.
科学领域:
- 眼科医生 眼科 眼科
- 生物统计学 生物统计学
- 数据科学数据科学数据科学
背景情况:
- 早期识别近视高风险儿童对于及时干预和预防进展至关重要.
- 缺失的数据和测量误差 (ME) 在近视风险预测建模中构成重大挑战,可能引入偏差.
研究的目的:
- 探索和比较各种各样的归算方法 (单一归算,MI-MAR,MI-ME,MI-MNAR) 来解决缺失的数据和近视预测中的ME.
- 用这些归算技术评估不同机器学习和统计模型在近视风险预测中的性能.
主要方法:
- 研究了四种归算方法:单次归算 (SI),随机缺失 (MI-MAR) 下的多次归算,校准的多次归算 (MI-ME) 和不随机缺失 (MI-MNAR) 下的多次归算.
- 我们比较了四种机器学习模型 (决策树,天真贝叶斯,随机森林,Xgboost) 和三种统计模型 (逻辑回归,逐步逻辑回归,LASSO逻辑回归).
- 用AUROC和AUPRC对上海金山近视群组研究数据和通过模拟研究来评估模型性能.
主要成果:
- 结合物流回归的MI-ME提供了最好的预测结果,当缺失数据和ME都存在时.
- 当 ME 缺席时,MI-MAR 在处理缺失数据方面表现优于 SI.
- 与机器学习模型相比,统计模型显示出更高的预测性能.
结论:
- MI-ME是管理缺失数据和ME的可靠方法,用于预测早期近视风险的关键预测因素.
- 归算方法的选择显著影响近视风险预测模型的准确性.
