2、机器学习在医学研究中的应用：两阶段最小二乘法与多重插补法解析

机器学习在医学研究中的应用：两阶段最小二乘法与多重插补法解析

1. 机器学习方法概述

在医学研究中，机器学习方法正发挥着越来越重要的作用。与传统统计方法相比，机器学习具有处理复杂大数据的优势，且软件操作友好、灵活性高。不过，其也存在一些局限性，例如并非总是能满足科学标准，在结果预测方面需要谨慎对待。

机器学习方法主要分为以下几类：
- 更敏感的方法 ：如多阶段最小二乘法相较于传统最小二乘法，以疾病几率为结果的逻辑回归相较于一致性统计，关联规则学习相较于简单回归等。
- 传统方法的扩展 ：包括二维和多维聚类、支持向量机、异常检测等，可视为简单层次聚类的扩展；对应分析是简单 2×2 列联表分析的扩展；自回归积分滑动平均（ARIMA）是简单自相关的扩展等。
- 无替代方案的方法 ：如用于评估患者个人意义的多维标度、验证替代终点、用于在大群体中寻找隐藏高斯子群的 Bhattacharya 建模、连续序贯技术、大数据的字符串/序列挖掘等。

此外，许多机器学习方法处理的是无监督数据，即没有结果变量的数据集，数据根据接近度、熵、密度、模式等进行分类。

2. 两阶段最小二乘法

2.1 背景与目标

在评估临床预测因子的直接和间接效应时，路径分析和多阶段最小二乘法都是合适的线性回归方法。然而，路径分析存在一些不足，它假设预测变量不仅对结果产生直接影响，还通过影响伴随预测变量产生间接影响，这使得通常的回归系数无法应用，而需使用标准化回归系数，导致解释困难，且不提供总体 p 值。本研究的目标是评