流行病学中的机器学习:介绍,与传统方法的比较,以及预测极端长寿的案例研究

科学领域:

• 流行病学 流行病学
• 生物统计学 生物统计学
• 计算生物学 计算生物学

背景情况:

• 医疗保健数据量不断扩大,对传统的流行病学方法,如物流回归 (LR) 提出了挑战.
• 高维和复杂的数据集需要超越传统统计建模的先进分析方法.
• 机器学习 (ML) 方法提供了模拟非线性关系并揭示复杂健康数据中隐藏的模式的能力.

研究的目的:

• 在流行病学研究中引入机器学习 (ML) 应用.
• 为了比较后勤回归 (LR),LASSO回归和极端梯度提升 (XGBoost) 的预测性能,以预测健康结果.
• 展示ML的实用性,特别是XGBoost,在现实世界的寿命预测案例研究中,并解决模型可解释性.

主要方法:

• 使用了三个预测模型:逻辑回归 (LR),LASSO回归和极端梯度增强 (XGBoost).
• 雇佣了一个案例研究,预测近百岁的预测者使用来自10,000名男性的中年预测者.
• 应用数据预处理,模型创建,评估和后期解释技术,以实现可解释性.

主要成果:

• 在近百岁预测方面,XGBoost获得了最高的预测性能 (ROC-AUC:0.72),其次是LASSO回归 (0.71) 和LR (0.69).
• 长寿的关键预测因素包括静缩血压,吸烟状况和心肌梗塞史.
• 可解释性分析证实了与先前的流行病学研究一致的发现.

结论:

• 机器学习 (ML) 方法,特别是XGBoost,为流行病学中的传统方法提供了强大的,补充性的方法.
• 机器学习有效地处理复杂的交互和高维数据,增强与健康有关的模式的发现.
• 该研究强调了ML在推动流行病学研究和健康结果预测建模方面的潜力.