机器学习模型与传统的统计技术相比不再具有一致性

在预测个人在未来10年内遭受心脏病或中风的风险时，机器学习模型与传统的统计技术相比不再具有一致性，因此也没有作为护理途径指南的可靠性。

研究人员在分析了英国360万名患者的病历后得出结论，这些病历在截至2018年的20年中被注册表进行了追踪。

该团队研究了19种不同的预测方法，其中12种代表某种类型的机器学习。

令人失望的表现最糟糕的是，当这两种类型的模型都假定患者在无意间“检查”病历的情况下没有任何心血管疾病时，这意味着他们的临床信息由于任何原因而停止更新。

作者在本月发表于BMJ的研究中写道，逻辑模型和常用的机器学习模型“不应在不考虑审查的情况下直接应用于长期风险的预测”。“考虑审查并且可以解释的生存模型……是可取的。”

全图风险评分的一个示例：使用常规风险计算器进行心血管事件风险为9.5%至10.5%的患者在随机森林模型中的风险为2.9%至9.2%神经网络的风险介于%到7.2%之间。

所有19个模型在人口水平上都能很好地预测疾病，但这在特定的临床环境中意义不大。

作者写道：“我们发现，在不同类型的机器学习和统计模型之间和之内，个别患者对心血管疾病风险的预测差异很大，尤其是对于风险较高的患者（使用相似的预测指标时）。”“后勤模型和机器学习模型忽略了审查，大大降低了心血管疾病的风险。”

研究人员的人数包括在中国和荷兰以及英国的研究人员，他们在本分析中使用了心血管疾病，但建议研究结果也可能适用于其他严重的健康风险。

责任编辑：lq