利用超级学习优化联合模型的动态预测
统计方法学
2023-12-04 v2
摘要
纵向与生存时间数据的联合模型常用于计算精准医学众多应用中的动态个体化预测。影响这些预测准确性的联合模型的两个组成部分是纵向轨迹的形状以及将纵向结局历史与事件风险相联系的函数形式。找到一个对所有受试者和随访时间均能给出准确预测的单一良好设定模型可能具有挑战性,尤其在考虑多个纵向结局时。本工作中,我们利用超级学习的思想,避免选择单一模型。具体而言,我们指定由具有不同设定的联合模型库计算出的动态预测的加权组合。权重通过 V 折交叉验证针对某一预测准确性度量进行优化选取。我们采用的预测准确性度量为期望二次预测误差与期望预测交叉熵。在模拟研究中,我们发现超级学习方法产生的结果与 Oracle 模型非常相似,后者为在测试数据集中表现最佳的模型。所有提出的方法学均在免费可用的 R 包 JMbayes2 中实现。
引用
@article{arxiv.2309.11472,
title = {Optimizing Dynamic Predictions from Joint Models using Super Learning},
author = {Dimitris Rizopoulos and Jeremy M. G. Taylor},
journal= {arXiv preprint arXiv:2309.11472},
year = {2023}
}