机器学习表现出与传统风险预测模型相似的性能

有人声称机器学习技术有潜力改变医疗保健系统，但《英国医学杂志》发表的一项研究发现，机器学习模型与传统统计模型具有相似的性能，并且在对个体患者进行风险预测时具有相似的不确定性。

NHS 已投资 2.5 亿英镑(3.23 亿美元;2.75 亿欧元)将机器学习嵌入医疗保健领域，但研究人员表示，在使用模型为个体患者做出治疗决策之前，应评估模型内部和模型之间的一致性(稳定性)水平。

风险预测模型广泛应用于临床实践。他们使用统计技术以及有关人们的信息(例如年龄和种族)来识别那些患病风险较高的人，并就他们的护理做出决定。

前期研究发现，QRISK3等传统风险预测模型在人群层面具有非常好的模型性能，但对个体风险预测存在相当大的不确定性。

一些研究声称机器学习模型可以超越传统模型，而另一些研究则认为它们无法提供预测背后可解释的原因，可能导致不适当的行动。

更重要的是，机器学习模型经常忽略审查——当患者在研究过程中失踪(由于错误或无法联系)时，模型假设他们没有疾病，从而导致预测有偏差。

为了进一步探讨这些问题，英国、中国和荷兰的研究人员着手评估机器学习和统计技术在预测个体水平和人群水平心血管疾病风险方面的一致性以及审查对风险预测的影响。

他们使用 1998 年至 2018 年间在英格兰 391 个全科诊所注册的 360 万患者的数据评估了 19 种不同的预测技术(12 种机器学习模型和 7 种统计模型)。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！