Search
ATCC מכריזה על פרס חדש מבית BARDA לספק שירותי אחסון ועיבוד ביולוגי מרכזי עבור Project NextGen

שילוב של למידת מכונה עם שיטות סטטיסטיות יכול לספק מודלים מדויקים לחיזוי סיכון למחלות

חוקרים מאוניברסיטת פקין ערכו סקירה שיטתית מקיפה על השילוב של למידת מכונה בשיטות סטטיסטיות עבור מודלים של חיזוי סיכון למחלות, ושפכו אור על הפוטנציאל של מודלים משולבים כאלה באבחון קליני ובשיטות סקר. המחקר, בהובלת פרופסור פנג סון מהמחלקה לאפידמיולוגיה וביוסטטיסטיקה, בית הספר לבריאות הציבור, אוניברסיטת פקין, פורסם ב מדע נתוני בריאות.

חיזוי סיכון למחלות חיוני לאבחון מוקדם וקבלת החלטות קלינית יעילה. עם זאת, מודלים סטטיסטיים מסורתיים, כגון רגרסיה לוגיסטית ורגרסית סיכונים פרופורציונליים של קוקס, מתמודדים לעתים קרובות עם מגבלות עקב הנחות יסוד שאולי לא תמיד מתקיימות בפועל. בינתיים, שיטות למידת מכונה, למרות הגמישות והיכולת שלהן לטפל בנתונים מורכבים ובלתי מובנים, לא הוכיחו באופן עקבי ביצועים מעולים על מודלים מסורתיים בתרחישים מסוימים. כדי להתמודד עם אתגרים אלה, שילוב למידת מכונה עם שיטות סטטיסטיות מסורתיות עשוי להציע מודלים חיזויים חזקים ומדויקים יותר.

הסקירה השיטתית ניתחה אסטרטגיות אינטגרציה שונות עבור מודלים של סיווג ורגרסיה, כולל הצבעת רוב, הצבעה משוקללת, הערמה ובחירת מודלים, בהתבסס על האם תחזיות משיטות סטטיסטיות ולמידת מכונה לא הסכימו. המחקר מצא כי מודלים של אינטגרציה בדרך כלל הניבו ביצועים טובים יותר הן בשיטות סטטיסטיות והן בשיטות למידת מכונה כשהן בשימוש לבדן. לדוגמה, הערמה הייתה יעילה במיוחד עבור מודלים הכוללים למעלה מ-100 מנבאים, שכן היא מאפשרת שילוב של נקודות החוזק של מודלים שונים תוך מזעור חולשות.

הממצאים שלנו מצביעים על כך ששילוב למידת מכונה בשיטות סטטיסטיות מסורתיות יכול לספק מודלים מדויקים יותר וניתנים להכללה לחיזוי סיכון למחלות. לגישה זו יש פוטנציאל לשפר את קבלת ההחלטות הקליניות ולשפר את תוצאות המטופלים".

פרופסור פנג סאן, חוקר ראשי

במבט קדימה, צוות המחקר מתכנן לאמת ולשפר עוד יותר את שיטות האינטגרציה הקיימות ולפתח כלים מקיפים להערכת מודלים אלו במסגרות קליניות שונות. המטרה הסופית היא להקים מודלי אינטגרציה יעילים יותר וניתנים להכללה המותאמים לתרחישים שונים, ובסופו של דבר לקדם אבחון קליני ושיטות מיון.

דילוג לתוכן