通过代理变量高效建模改进多源高维生物样本库研究
统计方法学
2023-09-04 v2
摘要
由于图表审阅金标准标签的稀缺或缺失，电子健康记录（EHR）和生物样本库数据中的代理变量在生物医学研究中起着重要作用。我们开发了一种名为SASH的新方法，用于代理辅助和数据屏蔽的高维整合回归。它是一种半监督方法，高效利用来自多个本地站点的带有易错EHR代理结果的大量未标记样本，以提高少量金标签数据的学习准确性。为了从代理变量中稳定高效地提取知识，我们的方法首先获得一个初步的监督估计器，然后利用它辅助训练代理变量的正则化单指标模型（SIM）。有趣的是，通过一系列凸的且适当惩罚的稀疏回归来近似带偏差校正的SIM损失，我们的方法避免了SIM训练的局部极小问题，并完全消除了初步估计器大误差的影响。此外，它通过对本地站点间基于汇总统计的数据聚合，利用类似的SIM偏差校正近似思想，保护个体层面信息。通过模拟研究，我们证明了我们的方法在有限样本上优于现有方法。最后，我们将方法应用于利用来自UK和Mass General Brigham生物样本库的大规模数据集开发II型糖尿病的高维遗传风险模型，其中仅一个站点的小部分受试者通过图表审阅被标记。
引用
@article{arxiv.2302.04970,
title = {Efficient Modeling of Surrogates to Improve Multi-source High-dimensional Biobank Studies},
author = {Yue Liu and Molei Liu and Zijian Guo and Tianxi Cai},
journal= {arXiv preprint arXiv:2302.04970},
year = {2023}
}