联合优化区分度与校准度的个性化预测模型
统计方法学
2025-02-07 v2 应用统计
摘要
精准医疗在健康研究领域正加速发展，其中包括基于患者相似性为个体患者拟合预测模型，以尝试提升模型性能。我们提出一种算法，利用相似子群体的最优规模来拟合个性化预测模型（PPM），该模型联合优化模型区分度与校准度，因为现有批评指出，校准度的评估频率远低于区分度，尽管校准不佳的模型可能具有误导性。我们定义了一个混合损失函数，该函数同时考虑模型区分度与校准度，并允许灵活地侧重某一性能指标。我们通过实证表明，子群体规模与校准度之间存在二次关系，这推动了联合优化模型的开发。我们还研究了群体内患者加权对性能的影响，并得出结论：与权重函数的选择相比，子群体规模对 PPM 预测性能的影响更大。
引用
@article{arxiv.2403.17132,
title = {A Personalized Predictive Model that Jointly Optimizes Discrimination and Calibration},
author = {Tatiana Krikella and Joel A. Dubin},
journal= {arXiv preprint arXiv:2403.17132},
year = {2025}
}