灵活的成本惩罚贝叶斯模型选择：构建包含路径及其在心脏病诊断中的应用
统计方法学
2024-05-07 v3
摘要
我们提出一种贝叶斯模型选择方法，使医疗从业者能够在考虑各自成本的同时于预测变量中进行选择。医疗程序几乎总是产生时间与/或金钱成本。这些成本对其为建模感兴趣结局所带来的效用而言可能过高。我们发展了使用灵活模型先验以先验地惩罚高成本预测变量并选出相对于其成本有用的预测变量子集的贝叶斯模型选择。我们的方法 (i) 使从业者能控制成本惩罚的幅度，(ii) 使先验能随样本量良好缩放，且 (iii) 支持创建我们提出的包含路径可视化，其可用于借助概率与视觉工具对单个候选预测变量做出决策。我们通过一个关于 Cleveland Clinic Foundation 患者心脏病诊断的数据集以及模拟数据，展示了我们包含路径方法的有效性及能够调整先验成本惩罚幅度的重要性，其中该数据集记录了患者的若干具有不同成本的候选预测变量。
引用
@article{arxiv.2305.06262,
title = {Flexible cost-penalized Bayesian model selection: developing inclusion paths with an application to diagnosis of heart disease},
author = {Erica M. Porter and Christopher T. Franck and Stephen Adams},
journal= {arXiv preprint arXiv:2305.06262},
year = {2024}
}