基于机器学习的临床预测建模——临床医师实用指南

在大数据兴起的时代，更大的可用临床数据集与计算能力的进步激发了人们对基于机器学习方法的巨大兴趣。过去几年中，与机器学习或人工智能相关的稿件数量呈指数级增长。随着分析性机器学习工具变得易于临床医师使用，临床医师、研究者、审稿人和编辑对关键概念的理解以及对分析陷阱的认识日益成为必需——即便他们是临床领域的专家，有时也会发现自己不足以评估机器学习方法。在第一部分中，我们提供了机器学习一般原理的解释，以及成功的基于机器学习的预测建模（本系列的重点）所需的分析步骤。在后续部分中，我们回顾了重采样、过拟合与模型泛化能力以及特征降维与选择的重要性（第二部分），模型评估、报告以及常见注意事项和其他重要问题的讨论策略（第三部分），并提供分类（第四部分）与回归建模（第五部分）的实用指南，附有完整的编码流程。方法学的严谨性与清晰性，以及对机器学习方法内部运作底层原理的理解是必需的，否则预测应用尽管是强大的分析工具，也无法很好地被临床常规所接受。展望未来，机器学习与人工智能正在塑造并影响包括神经外科领域在内的现代多学科医学。