基于负标签数据的惩罚性回归：发展长期新冠研究指数的方法
统计方法学
2024-10-11 v1
摘要
中重度后急性 SARS-CoV-2 感染后综合征(PASC)，也称为长期新冠，估计影响最多为 10% 的 SARS-CoV-2 感染者，代表一种全球公共卫生负担巨大的慢性疾病。广泛的文献已确认超过 200 种与 SARS-CoV-2 感染史相关的长期和持续症状；然而，仍缺乏对该综合征定义的明确共识。这一定义是未来研究风险和韧性因素、疾病机制以及治疗和预防干预的关键第一步。我们最近应用了一种基于 SARS-CoV-2 感染史的 Lasso 惩罚逻辑回归来定义 PASC 研究指数的策略。本文通过理论推导和模拟研究来正式化和评估这一方法。我们展示了该方法恰当地选择与 PASC 相关的症状，并产生一个对检测 PASC 具有高辨别力的评分。针对 RECOVER(Researching COVID to Enhance Recovery) 成人队列中受试者的数据展示了我们的发现。
引用
@article{arxiv.2410.07357,
title = {Penalized regression with negative-unlabeled data: An approach to developing a long COVID research index},
author = {Harrison T. Reeder and Tanayott Thaweethai and Andrea S. Foulkes},
journal= {arXiv preprint arXiv:2410.07357},
year = {2024}
}