通过神经网络表示对比全局与患者特异性回归模型
统计方法学
2026-01-27 v1 机器学习
摘要
在开发临床预测模型时，在适用于所有患者的全局模型和针对个体或潜在未知亚组定制的个性化模型之间取得平衡是一项挑战。为了辅助此类决策，我们提出了一种诊断工具，用于对比全局回归模型和患者特异性（局部）回归模型。该工具的核心效用是识别全局模型在何处以及对何人可能不充分。我们关注回归模型，并特别建议了一种局部回归方法，用于识别预测空间中患者未被全局模型很好表示的区域。由于在处理许多预测变量时局部化变得具有挑战性，我们建议在通过自编码器获得的降维潜在表示中进行建模。使用这种神经网络架构进行降维，能够学习一种潜在表示，该表示同时针对良好的数据重建和揭示适合稳健局部回归的局部结果相关关联进行了优化。我们通过一项涉及慢性阻塞性肺疾病患者的临床研究来说明所提出的方法。我们的研究结果表明，全局模型对大多数患者是充分的，但确实有特定亚组受益于个性化模型。我们还演示了如何将这些亚组模型映射回原始预测变量，从而深入了解为什么全局模型对这些群体存在不足。因此，我们工具的主要应用和诊断产出是识别和表征结果关联偏离全局模型的患者或亚组。
引用
@article{arxiv.2601.18658,
title = {Contrasting Global and Patient-Specific Regression Models via a Neural Network Representation},
author = {Max Behrens and Daiana Stolz and Eleni Papakonstantinou and Janis M. Nolde and Gabriele Bellerino and Angelika Rohde and Moritz Hess and Harald Binder},
journal= {arXiv preprint arXiv:2601.18658},
year = {2026}
}