Wie können Epidemiologen / Mitarbeiter des öffentlichen Gesundheitswesens sanft in die fortschrittliche Vorhersagemodellierung eingeführt werden?

Aus sozialwissenschaftlichen und epidemiologischen Gründen wurden meine Mitarbeiter in Regression der kleinsten Quadrate, logistischer Regression und Überlebensanalyse geschult. Sie möchten 95% -Konfidenzintervalle und p-Werte mit den Parameterkoeffizienten sehen und misstrauen aktuelleren Vorhersagewerkzeugen wie neuronalen Netzen, CART, Bagging & Boosting sowie bestraften Regressionstechniken.

Ich werde als Epidemiologe abwägen.

Ich kann sehen, dass Trägheit einsetzt, wenn Forscher und Fachleute im Gesundheitswesen in das mittlere Management und darüber hinaus wechseln und nicht mehr mit neuen Entwicklungen in der Statistik in Verbindung stehen.

Erstens würde ich Ihnen dringend raten, nicht davon auszugehen, dass dies einfach Trägheit ist, entweder in Form der Disziplin, die keine neuen Techniken anwenden möchte, oder wenn Ihre Mitarbeiter nicht mit neuen Entwicklungen in der Statistik in Berührung kommen. Sie können an akademischen epidemiologischen Konferenzen teilnehmen, auf denen neue und sehr methodisch anspruchsvolle Arbeiten durchgeführt werden, und Sie müssen immer noch nicht unbedingt viel über prädiktive Modellierung herausfinden.

Der Hinweis ist im Namen. Vorausschauende Modellierung.

Die Epidemiologie als Fachgebiet ist nicht besonders an Vorhersagen für sich selbst interessiert. Stattdessen liegt der Schwerpunkt auf der Entwicklung ätiologischer Erklärungen für beobachtete Krankheitsbilder in einer Population. Die beiden sind verwandt, aber unterschiedlich, und dies führt oft zu einem philosophischen Misstrauen gegenüber moderneren Klassifizierungs- und Vorhersagetechniken, die lediglich versuchen, die prädiktive Wirkung eines Modells zu maximieren. Am äußersten Ende stehen die Personen, die der Meinung sind, dass die Variablenauswahl in erster Linie unter Verwendung eines gerichteten azyklischen Graphen durchgeführt werden sollte, der als das Gegenteil der Richtung der prädiktiven Modellierung angesehen werden könnte.

Dies führt dazu, dass es nicht Teil ihres Hintergrunds ist, nicht etwas, dem sie in der Literatur häufig begegnen, und um ganz ehrlich zu sein, eine hohe Wahrscheinlichkeit, dass sie über Menschen, die die Probleme, die sie versuchen, nicht wirklich verstehen, damit in Berührung gekommen sind lösen.

Dies ist in den Kommentaren ein perfektes Beispiel:

Das wirft einige Leute um - die Tatsache, dass wir absichtlich Vorurteile in die bestrafte Regression einführen, um die Vorhersagegenauigkeit zu verbessern

Fast jeder Epidemiologe, den ich kenne, würde, wenn Sie ihn auswählen würden, eine Verringerung der Voreingenommenheit gegenüber einer Erhöhung der Genauigkeit wählen.

Das heißt nicht, dass es nie zur Sprache gebracht wird. Es gibt Zeiten, in denen Vorhersagemodelle verwendet werden - häufig in klinischen Fällen, in denen die Vorhersage des Ergebnisses dieses bestimmten Patienten von erheblichem Interesse ist, oder in der Erkennung von Ausbrüchen, in denen diese Techniken nützlich sind, weil wir nicht wissen, was kommt, und nicht ätiologisch machen können Argumente. Oder wenn Vorhersage wirklich das Ziel ist - zum Beispiel in vielen Expositionsschätzungsmodellen. Sie sind nur eine Nische auf dem Gebiet.