使用神经网络模型与复杂调查设计在美国人群中进行糖尿病筛查
统计方法学
2025-03-27 v2 机器学习
摘要
复杂调查设计常用于许多医学队列中。在这种情况下，开发反映研究设计独特特征的特定案例预测风险评分模型，对于最小化统计结果中的选择性偏差至关重要。本文的目的是：(i) 提出一个使用神经网络（NN）建模进行回归和分类的通用预测框架，将调查权重纳入估计过程；(ii) 引入一种针对复杂调查设计数据量身定制的模型预测不确定性量化算法；以及 (iii) 应用该方法开发稳健的风险评分模型，利用NHANES 2011-2014队列的数据评估美国人群中糖尿病的风险。结果表明，不同复杂度的模型各自利用不同的变量集，在预测糖尿病时展现出不同的判别能力（具有不同的经济成本），但在人群水平上产生了可推广的结果。尽管重点是糖尿病，但该NN预测框架可适应于跨越多种疾病和医学队列的临床模型开发。本文使用的软件和数据已在GitHub上公开。
引用
@article{arxiv.2403.19752,
title = {Screening for Diabetes Mellitus in the U.S. Population Using Neural Network Models and Complex Survey Designs},
author = {Marcos Matabuena and Juan C. Vidal and Rahul Ghosal and Jukka-Pekka Onnela},
journal= {arXiv preprint arXiv:2403.19752},
year = {2025}
}