提高洞穴的社会经济地位预测:一种混合方法
A T M Dao1,2,3, L G Do1, N Stormon1,4
1School of Dentistry, Faculty of Health and Behavioural Sciences, The University of Queensland, QLD, Australia.
Journal of dental research
|March 19, 2025
概括
将决策树分析 (DTA) 和主要组件分析 (PCA) 结合起来,可以提高对牙损伤的社会经济地位 (SES) 预测. 这种混合方法,使用显著负载指标 (SLIs),提高准确性和简化SES预测器.
科学领域:
- 公共卫生 公共卫生
- 生物统计学 生物统计学
- 社会流行病学 社会流行病学
背景情况:
- 社会经济地位 (SES) 对于理解健康差异至关重要,传统上使用主要成分分析 (PCA) 来衡量.
- 虽然PCA是数据驱动的,但对于特定的健康结果可能缺乏特异性.
- 决策树分析 (DTA) 提供了一个结果特定的方法,但可能无法完全捕捉到SES的广度.
研究的目的:
- 调查DTA和PCA的结合是否会提高SES的预测准确性,而不是单独使用PCA.
- 探索在DTA-PCA框架内使用PCA的显著负载指标 (SLIs) 的实用性,以简化SES预测器而不牺牲准确性.
- 评估这些新型SES复合材料对牙损伤的预测准确度.
主要方法:
- 分析了SMILE出生队列研究中的2,182名儿童的12个SES指标.
- 开发了五种SES复合材料:只有DTA,只有PCA (全组件和SLI),以及DTA-PCA (全组件和SLI).
- 使用根平均二次误差与5倍交叉验证评估了牙损伤的预测准确性.
主要成果:
- 结合DTA和PCA的SES复合材料显示出对牙损伤的预测准确度高于PCA单纯方法.
- 使用SLI的DTA-PCA方法超过了PCA与全组件的性能,并且与仅使用DTA的方法不逊色.
- 这种混合方法有效地简化了SES预测器,同时保持或改善预测性能.
结论:
- DTA-PCA混合方法为开发用于预测牙的SES复合材料提供了更准确和可能更精确的框架.
- 将SLI纳入DTA-PCA方法提供了一种实用的方法,可以创建节但强大的SES预测器.
- 这种方法可适应在各种健康结果的多项测量中创建复合预测器.
