面向时间事件结果的动态预测的集成机器学习与统计程序
机器学习
2026-02-24 v1 机器学习
应用统计
摘要
对于纵向和时间事件结果的动态预测已成为精密医学中的多功能工具。我们的工作灵感来自于在原发性胆汁性胆汁炎患者的决策过程中应用动态预测。对于这些患者，通常会收集序间生物标志物测量值（如胆红素和碳酸氢酶水平），以向治疗医生报告肝衰竭风险并指导临床决策。两种流行的统计方法用于推导动态预测是联合建模和 landmark 方法。然而，最近也提出了机器学习技术。每种方法都有其优势，尚无单一方法能在所有情况下中取胜。因此，获取最佳可能的生存估计具有挑战性。因此，我们将 Super Learner 框架扩展到组合来自不同模型和程序的动态预测。Super Learner 是一种集成学习技术，允许用户组合不同的预测算法以提高预测准确性和灵活性。它使用交叉验证和不同性能目标函数（如平方损失）以适应特定应用，构建来自候选算法库的预测的最优加权组合。在我们的工作中，我们特别关注为 Super Learner 选择合适的目标函数，以获得来自动态预测的最优加权组合。在我们的原发性胆汁性胆汁炎应用中，Super Learner 由于能够灵活地组合来自不同假设条件下算法的输出，在等同或更好的预测性能方面具有独特优势。
关键词
引用
@article{arxiv.2602.19761,
title = {Ensemble Machine Learning and Statistical Procedures for Dynamic Predictions of Time-to-Event Outcomes},
author = {Nina van Gerwen and Sten Willemsen and Bettina E. Hansen and Christophe Corpechot and Marco Carbone and Cynthia Levy and Maria-Carlota Londõno and Atsushi Tanaka and Palak Trivedi and Alejandra Villamil and Gideon Hirschfield and Dimitris Rizopoulos},
journal= {arXiv preprint arXiv:2602.19761},
year = {2026}
}