今天分享一篇基于自动机器学习（AutoML）与双重机器学习（DML）相结合的研究，作者系统评估了中国67个城市饮用水中ARGs的驱动因素，并实现了从“关联挖掘”到“因果验证”的完整分析框架。
由于可以使用大量数据进行训练，还能整合基因图谱、影像、脑电图、生理数据等多种数据源，因此机器学习（ML）算法特别适合个体化医疗。 今天分享一篇基于集成机器学习，结合从医疗记录中提取的多模态临床和放射学特征，开发和验证一种非侵入性、临床适用的预测模型的研究论文。
胃癌前病变（PLGC）是胃癌进展的关键阶段，及时干预可显著降低死亡率。 然而，当前筛查策略主要依赖内窥镜检查，不仅费用高、侵入性，在资源有限地区更是难以普及。
-RFty.png)
在该项研究中，研究团队使用了去身份化电子健康记录（EHR）数据，纳入老年患者。 本研究旨在基于8种机器学习法和SHAP法，构建可解释机器学习预测模型，以评估风险因素并预测老年心合并高血压患者的住院死亡率。 √缺失数据的处理 研究中所有变量的缺失数据比例均保持在30%以下，使用K-最近邻（KNN）分类算法对缺失数据进行处理。 √变量筛选 使用LASSO法在44个变量中筛选出9个最佳预测因子，包括年龄、住院时间（LOS）、中性粒细胞（Neu）、尿素、Cl、活化部分凝血活酶时间（APTT）、白细胞（LEU）、白蛋白和HDL胆固醇。
【欢迎阅读浙中大郑老师撰写的统计科普文】 预测模型文章中，我们一般用10倍EPV原则计算样本量，这也是目前公认的方法，但很少有学者会在文章中详细地解释。
医学一区，IF=23.1的杂志《Blood》刊登了一篇机器学习预测模型的研究，题为：“Use of machine learning techniques to predict poor survival after hematopoietic cell transplantation for my
老郑看到一篇文章，机器学习建模建了100个，挺有意思的，是实力？还是内卷？我们一起看看！ 这篇文章是中国学者发表在中科院一区，影响因子7.0的杂志
现如今，在预测模型领域中，传统回归模型和机器学习模型应用已经十分广泛，各有优缺点。 在机器学习构建预测模型文章中，也经常出现Logistic回归。 那为什么郑老师说，如果机器学习预测模型差别不大，首推传统logistic回归呢？ 借上海交通大学学者2025年5月发表的一篇文章，一起来
Zstats交流群
联系助教
请输入助教告诉您的积分券
如果不填写积分券，将直接使用当前余额支付
请稍候，正在为您生成支付订单
请使用扫描二维码完成支付
二维码获取失败
支付二维码获取失败，请点击重新获取
请稍候，正在为您完成支付
正在使用积分券兑换，然后完成支付 正在使用当前余额完成支付
您的订单已支付完成，页面将在 秒后自动关闭
支付过程中出现错误，请重新选择支付方式
