軽度認知障害のある人の認知症リスク予測: コックス回帰モデルと機械学習モデルの比較

BMC Medical Research Methodology volume 22、記事番号: 284 (2022) この記事を引用

1911 アクセス

2 引用

7 オルトメトリック

メトリクスの詳細

コックス比例ハザード回帰モデルと機械学習モデルは、認知症のリスクを予測するために広く使用されています。これらのモデルの既存の比較は、ほとんどが経験的なデータセットに基づいており、さまざまな結果が得られています。この研究では、軽度認知障害 (MCI) を持つ人々を対象に、モンテカルロシミュレーションを使用して、イベント発生までの時間の結果を予測するためのさまざまな機械学習とコックス回帰モデルの精度を検証します。

9 つのイベント発生までの時間回帰モデルと機械学習モデルの予測精度が調査されました。これらのモデルには、コックス回帰、ペナルティ付きコックス回帰 (リッジ、LASSO、およびエラスティックネットペナルティ付き)、サバイバルツリー、ランダムサバイバルフォレスト、サバイバルサポートベクターマシン、人工ニューラルネットワーク、極端な勾配ブースティングが含まれます。シミュレーションデータは、臨床登録および MCI 患者の大規模な地域ベースの登録の研究デザインとデータ特性を使用して生成されました。これらのモデルの予測パフォーマンスは、Harrell の一致指数 (c-index)、統合校正指数 (ICI)、および統合ブリエスコア (IBS) による 3 重交差検証に基づいて評価されました。

コックス回帰および機械学習モデルは、3 つの異なるパフォーマンスメトリクスおよびデータ分析条件にわたって同等の予測精度を示しました。データが大きなサンプルサイズの条件でコックス回帰モデルから生成された場合、コックス回帰、ランダム生存フォレスト、極端な勾配ブースティングの推定 c インデックス値は、それぞれ 0.70、0.69、0.70 でした。対照的に、サンプルサイズが大きい条件でランダム生存フォレストからデータが生成された場合、これらのモデルの推定 c インデックス値は 0.64、0.64、および 0.65 でした。コックス回帰とランダム生存フォレストはどちらも、サンプルサイズとデータ生成モデルに関係なく、調査したすべてのモデルの中で最も低い ICI 値 (大きなサンプルサイズでは 0.12、小さなサンプルサイズでは 0.18) を示しました。

コックス回帰モデルは、より複雑な機械学習モデルと同等の、場合によってはより優れた予測パフォーマンスを備えています。これらのモデルの中から選択する場合は、研究仮説、モデルの解釈可能性、データの種類に関する重要な考慮事項に基づいて行うことをお勧めします。

査読レポート

認知症は、記憶、思考、行動、生活の質に影響を与える複雑な健康状態です。 2015 年、世界の認知症コストは 8,180 億ドルと推定され、そのコストの 86% が高所得国で発生しています [1]。通常、認知症の前には軽度認知障害 (MCI) が起こります。MCI は、日常生活活動が維持されているにもかかわらず、認知テストのスコアが低い認知上の懸念として定義されます。 MCI患者は、正常な認知能力を持つ人々と比較して、認知症を発症するリスクが大幅に高くなります。平均して、MCI 患者の 5 ～ 10% が 1 年に認知症に進行します [2]。ただし、MCI 患者全員が認知症に進行するわけではありません [3]。認知症に対する疾患を修飾する治療法がない中、認知症発症のリスクが高く、修正可能な危険因子に対する標的介入から恩恵を受ける可能性のある個人の早期特定をサポートする臨床的意思決定支援の需要が高まっています。このようなツールは監視目的にも使用できます。MCI 患者が認知症に進行した場合、地域社会で安全に暮らすために支持療法を受けることができます [4]。さらに、このようなツールは、介護提供者が認知症発症のリスクや将来の生活計画についての MCI 患者とその家族の質問に答えるのをサポートすることができます [5]。

一連の患者の危険因子に基づいて認知症を発症する確率を推定する予後リスク予測モデル [6] は、そのような意思決定ツールを開発できるモデルのクラスを構成します。認知症の予後リスクスコアは回帰分析と機械学習モデルに基づいて開発されており、近年では後者が頻繁に使用されています。たとえば、最近発表された認知症リスクスコアの系統的レビューでは、公開されたモデルの約 40% が機械学習アルゴリズムを採用していることが示されました [7]。しかし、このレビューでは、特定されたリスクスコアのほとんどには、モデルの内部および外部検証の欠如、リスクスコアを作成するための統計的手法の選択、および個人の評価の間に経過した長い間隔など、固有の方法論的制限があると結論付けています。リスク[7]。現在まで、日常的な臨床診療で使用するための臨床的意思決定の補助として適切な認知症リスクスコアが採用されていません[7、8]。

臨床研究における機械学習モデルの採用の増加は、ML が説明変数と目的の結果の間の非線形関連を捉えることができる非線形モデルであるため、ML が本質的に従来の回帰モデルよりも強力であるという前提に基づいています。ただし、これまでの研究では、実証研究の系統的レビューから、機械学習モデルとロジスティック回帰モデルの間でモデルのパフォーマンスに大きな違いはないと報告されています[9]。このような比較は、モデルのパフォーマンスに関する結論の外部一般化可能性を制限します。モンテカルロシミュレーション手法は、さまざまなデータ分析条件下で複数のモデルの比較可能性を評価するための代替アプローチです[10]。イベント発生までの時間データのリスク予測に対して統計的アプローチと機械学習的アプローチを比較したシミュレーション研究はいくつかありますが[11]、これらのシミュレーション研究は多くの場合、新しいアプローチに偏っています。認知症の臨床リスク予測を開発するための最適な方法論の選択をガイドするために、機械学習と従来の統計的手法を公平に比較する必要がある[11]。この研究の包括的な目的は、さまざまなデータ分析条件下で、イベント発生までの時間結果 (MCI から認知症の進行まで) を予測するための機械学習と (ペナルティなしおよびペナルティありの) コックス回帰モデルのパフォーマンスの比較を調査することです。私たちは、コックス回帰は機械学習アルゴリズムと同等、またはそれ以上の精度 (識別と校正に関して) を有するだろうと仮説を立てています。

調査されたシミュレーションの設計とシミュレーション条件が現実世界のデータセットの特性と特徴を確実に反映するように、臨床登録および MCI 患者の大規模な地域ベースの登録からのデータがシミュレーション条件の選択に使用されました。

カルガリー大学の認知神経科学クリニックの PROMPT レジストリは、MCI のすべての患者を登録する記憶クリニックのレジストリです。 PROMPT レジストリは 2010 年 7 月に設立され、認知機能または行動機能の障害の疑いを評価するためにカナダ、アルバータ州カルガリーの認知神経科学クリニックに紹介された患者を登録します [12]。クリニックに来院されている患者様全員がご参加いただけます。完全な追跡調査を確実にするために、新たな認知症診断の監視のために、PROMPT 参加者をアルバータ州の医療行政データに関連付けました。 PROMPT には 273 人の MCI 患者がおり (2020 年 4 月まで)、年齢は 55 歳以上で、ベースライン予測因子に関するデータがあり、ベースライン訪問後に少なくとも 1 回の追跡調査を受けていました。研究の予測因子には、人口統計的特徴（年齢、性別、教育、婚姻状況、第一言語、利き手）、認知テストまたはプロフィール（アルツハイマー病登録簿確立コンソーシアムの神経心理学的バッテリー、モントリオール認知評価 [MoCA] の合計スコア）が含まれます。合計スコア、軽度の行動障害の合計スコア、神経学的徴候、家族歴、情報提供者からの認知的訴え）、ライフスタイル要因（喫煙およびアルコール乱用）、および健康歴（高血圧、脂質異常症、糖尿病、甲状腺機能低下症、外傷性脳）傷害、脳血管疾患、心血管疾患、気分障害、不眠症、閉塞性睡眠時無呼吸症候群、神経疾患、気分障害以外の精神疾患）。

NACC は、国立老化研究所 (NIA) の資金提供を受けたアルツハイマー病研究センター (ADRC) によって設立され、正常から認知症までの範囲の認知機能を持つ被験者を募集し、データを収集しています。この研究で使用された NACC コホートは、Uniform Data Set (NACC-UDS; naccdata.org) からのものです。 NACC-UDS は、ほぼ毎年収集される人口統計データと標準化された臨床データを含む縦断的データセットです。すべてのテストセンターでは標準化されたフォームが管理されました。 UDS に含まれるコホートおよび一連の神経心理学的検査に関する詳細情報は、他の場所で説明されています [13、14、15]。患者データは、事前に指定された症例報告書に基づいて前向きに収集されました。以前のバージョンから大幅に変更されたため、NACC のバージョン 3 (2015 年以降に登録されたユーザーを指します) を使用しました。 NACCには967人のMCI患者がおり、年齢は55歳以上で、ベースライン予測因子に関するデータがあり、ベースライン来院後に少なくとも1回の追跡調査を受けていた。これら 2 つの研究コホートの特定は、サポートドキュメント (図 S1-S2) に記載されています。研究の予測因子には、人口統計学的特徴（年齢、性別、教育、人種、第一言語、利き手、婚姻状況）、認知テストまたはプロファイル（最初の認知機能低下からの時間、被験者または情報提供者からの記憶の訴え、家族歴、MoCA 合計スコア、老人性うつ病スケール、神経精神医学的症状の合計スコア、臨床医が診断した行動症状、運動症状、および全体的な低下経過）、ライフスタイル要因（喫煙）、医療専門家からの紹介の有無、アルツハイマー病センターを訪れる主な理由も病歴として（高血圧、糖尿病、高コレステロール血症、関節炎、尿失禁、脳血管疾患、心血管疾患、急速眼球運動睡眠行動障害、不眠症、外傷性脳損傷、癌、非ステロイド性抗炎症薬の使用、甲状腺疾患、気分障害、パーキンソニズム、ビタミン B12 欠乏症）、身体検査（BMI、視力、聴力）。

これら 2 つのレジストリは、設計 (つまり、サンプルサイズ、患者集団の種類、予測因子の数) とデータ特性 (つまり、イベント発生までの時間分布と打ち切り率) が異なるため、このシミュレーション研究の設計に情報を提供するために選択されました。これにより、調査したシミュレーションと条件が現実世界の研究を確実に模倣できるようになります。

両方のコホートの生存転帰は、精神障害の診断と統計マニュアルおよび国立老化研究所 - アルツハイマー病協会を含む標準転帰の定義に基づいた、MCI 診断後の 3 年間の全原因認知症に至るまでの期間です。 [16、17]。 PROMPT (N = 273) および NACC (N = 967) 登録では、ベースライン時に 3 年以内にそれぞれ 110 人 (40%) と 224 人 (23%) が MCI から認知症を発症しました。候補予測因子はすべて、両方のコホートのベースラインで測定されました。私たちは、MCI 患者は決して認知症を発症しない可能性があることを認めています [3]。この現在の研究では、MCI 診断後 3 年間認知症を発症しなかった人は右打ち切りであると仮定されました。サンプル特性の記述分析は、サポート文書の表 S1 ～ S2 に含まれています。

このシミュレーション研究で比較された予測モデルには、(1) Cox 回帰、(2) 最小絶対収縮選択演算子を使用した Cox 回帰 (LASSO-Cox)、(3) リッジペナルティを使用した Cox 回帰 (Ridge-Cox)、(4) Cox が含まれます。エラスティックネット (EN-Cox) による回帰、(5) サバイバルツリー、(6) ランダムサバイバルフォレスト、(7) サバイバルサポートベクターマシン、(8) サバイバルニューラルネットワーク、および (9) 極端な勾配ブースティング。

生存ツリーとは、サブグループの生存分布の差を最大化する入力予測子に基づいて、サンプルが同種のサブグループに再帰的に分割されるノンパラメトリックなイベント発生までの時間回帰モデルを指します [18]。ランダム生存フォレスト [19] は、イベント発生までの時間の結果を処理するためにランダムフォレスト [20] を直接拡張したものです。ランダム生存フォレスト [19] は、娘ノード間の生存差を最大化することによって各分割が最適化されることを除いて、従来のランダムフォレストモデルと同じように機能します。ランダム生存フォレストの結果は、累積ハザード関数のアンサンブル推定値です。サバイバルサポートベクターマシンは、回帰 [21]、ランキング [22]、ハイブリッドアプローチ [23] などの打ち切りデータを分析できるように拡張されています。回帰法では、生存時間を標準的な回帰問題として処理します (打ち切り観測に対するペナルティはありません)。ランク付けアプローチは基本的に、サポートベクターマシンベースの生存分析を順序ターゲット変数を使用した分類問題として扱います。ハイブリッドアプローチでは、回帰手法とランキング手法を組み合わせます。回帰制約はランキング制約よりも大幅に優れたパフォーマンスを示し、臨床データに対するハイブリッドアプローチのパフォーマンスと同様であることが以前に報告されていたため [23]、この研究では回帰アプローチを採用しました。サバイバルディープニューラルネットワーク「DeepSurv」[24]は、ハザード率をモデル化できる非線形コックス比例ハザードディープフィードフォワードニューラルネットワークです。具体的には、患者のベースラインデータは最初の層への入力として機能し、その後、隠れ層で処理および結合され、その後にドロップアウト層が続き、過剰学習を軽減します [25]。出力層は、Cox 回帰モデルと同様のハザード率の推定値を生成します。対応するコスト関数は、コックス部分尤度を正則化と組み合わせ、パラメーターの推定には勾配降下最適化が使用されます。極度勾配ブースティングアルゴリズムは、効果的で柔軟な機械学習方法 [26] であり、元の勾配ブースティングマシン [27] をさまざまな種類の結果 (バイナリ、連続、生存データなど) に合わせて柔軟に拡張します。極端な勾配ブースティング生存モデルを使用して、右打ち切り生存データを処理できます。これは、対数ハザード比と共変量の間の線形性の仮定を緩和し、依然として比例ハザードの仮定を持ちます [28、29]。

調査するシミュレーション条件には、(a) サンプルサイズ (N)、(b) 打ち切り率 (CR)、(c) データ生成プロセス (予測変数とハザード関数の関係)、(d) 予測変数の数が含まれます。。研究結果の外部一般化可能性を確保するために、シミュレーション研究で調査されたデータ分析条件は、既存のレジストリで取得可能な現実世界のデータシナリオを模倣するように選択されました [30、31]。 MCI患者の2つのコホートの共変量（計画行列）に基づいてデータをシミュレーションしました。各コホートでは、コックス回帰 (典型的な従来の回帰) またはランダムサバイバルフォレスト (非線形性と高次相互作用を探索する典型的な機械学習) のいずれかのフィッティングに基づく 2 つの異なるデータ生成プロセスが使用されました。次に、3 年後の予測生存分布と予測失敗確率 (MCI から認知症への変換) に基づいて、イベント発生までの結果をシミュレートしました。

データ生成プロセスは、図 1 に示すように説明されています。Cox 回帰モデルとランダム生存フォレストを使用して、現実のサンプルの各個人の生存結果 (生存分布と 3 年後の失敗確率) を適合および予測しました。このステップの後、研究結果データは使用されなくなりました。モデル (コックス回帰またはランダム生存フォレスト) は、確率変数生存時間の推定値を表す各個人の生存分布 \(\widehat{{S}_{i}\left(t\right)}\) を予測しました。 (t\) は個々の \(i\) 観測値です。次に、ランダムシミュレーション関数 [32] を使用して、サンプル内の各個人の分布からシミュレーション (つまり、生存時間) を導き出しました。打ち切り指標は、特定の個人固有の確率 \(\widehat{{p}_{i}}\) を持つベルヌーイ分布を使用してシミュレートされました。これは、コックス回帰またはランダム生存率のいずれかに基づいた 3 年間の予測故障確率でした森林。シミュレーションデータは、Cox 回帰モデルとランダム生存フォレストに基づいて生成されました。これは、これらのモデルのパフォーマンスが他の比較手法と比較して比較的優れていたためでもあります (詳細はサポートドキュメントの表 S3 にあります)。

シミュレーションのプロセスは次のように実行されました。

各モデルのパフォーマンスは、3 分割相互検証 (CV) に基づく識別とキャリブレーションの尺度を使用して評価されました。具体的には、Harrell の一致指数 (c-index) [33]、生存モデルの統合校正指数 (ICI) [34]、および統合ブライアースコア (IBS) [35] を使用してモデルの精度を評価しました。 c-index を使用すると、一致確率の計算が可能になり、生存時間の長い観測値のほうがモデルによる予測生存確率が高くなるペア (比較可能) の割合を測定できます。

数値校正メトリクス ICI [34] は、生存モデルの予測確率の校正を評価するために拡張されており、サンプル全体の観測確率と予測確率の平均絶対差として推定されます。

\(F \left({t}^{*} \right|\varvec{X})\) を、共変量ベクトル \ を持つ被験者の失敗確率 (認知症発症の確率など) を推定するための生存モデルを表すものとします。 (\mathbf{X}\); \(\widehat{{p }_{{t}^{*}}^{\left(k\right)}}\)は \({\text{k}}^{\text{t} \text{h}}\) 適合モデル \(F \left({t}^{*} \right|\varvec{X}) に基づいて、時間 \({t}^{*}\) より前の故障確率を予測)\); \(n\) は、近似モデルからの一意の予測の数を示します。 \(\widehat{{ p}_{{t}^{*}}^{ \left(k\right)c }}\) は、指定された予測確率に対応する推定された観測故障確率を指します。

～間の関係に基づいて

そしてその

関数 g は、柔軟な適応ハザード回帰 [36] または制限付き 3 次スプラインを使用した Cox 回帰モデル [34] のいずれかを使用して推定できます。 2 つのアプローチのパフォーマンスが同等であることが実証されたため、3 つのノットを使用する後者の方法がこの研究で使用されました [34]。 ICI 値が小さいほど、予測モデルがより適切に校正されていることを示し、このメトリクスは、異なる予測モデルを比較する際に使用することが推奨されています [34]。

二乗損失関数 [35] を使用する IBS は次のように定義されます。

。

ここで、積分への近似は、すべての \(T\) の一意の時点とすべての \(N\) 観測値にわたる標本平均を取ることによって行われます。ここで、 \(N\) は観測値の数、 \({S}_ {i}\) は個々の \(i\) の予測生存関数、\({t}_{i}\) は生存時間です。時刻 \(t\) に認知症を発症した個人の場合、予測生存関数を使用した時刻 \({t}^{*}\) の S は次のように定義されます。

、

ここで、 \(G\) は打ち切り分布のカプランマイヤー推定値です。 \(I \left(\bullet \right)\) はインジケーター関数です。たとえば、次のようになります。

IBS 値が小さいほど、キャリブレーションが良好であることを示し、識別とキャリブレーションの組み合わせが良好であることを示します。

ハイパーパラメータ調整は、スコアリング指標として c-index を使用した 5 倍 CV を使用したランダムグリッド検索 (合計 1000 評価) に基づいて、ペナルティのない Cox 回帰を除く各生存法に対して実行されました。各ハイパーパラメータの検索スペースと使用される調整されたハイパーパラメータは、サポートドキュメント (表 S4) に含まれています。シミュレーション条件の各組み合わせについて、各データ生成プロセスに基づいて合計 500 の複製が描画されました。すべての分析は、R 統計プログラミング言語 [37] を使用して実行されました。

図 2 は、データ生成プロセスがコックス回帰およびランダム生存フォレストに基づいていた場合の、シミュレーション条件にハレルの c 指数を使用した 9 つの生存モデルの精度の分布を示しています。シミュレートされた条件は、比較的小さいサンプルサイズ (PROMPT データセットの特性と特徴に基づく) と比較的大きいサンプル (NACC データセットの特性と特徴に基づく) を表しました。データが Cox 回帰モデルに基づいて生成された場合、すべてのモデルの推定 c-index 値は、サンプルサイズに関係なく、データがランダム生存林に基づいてシミュレートされた場合よりも一般に高くなりました。

500 回の複製にわたる 3 倍 CV から評価された、9 つのモデルの推定 c インデックスの分布

注意: パネルは 4 つあり、上の 2 つのパネル (A および B) は小さなサンプル用 (PROMPT データセットの特性と機能に基づく)、下の 2 つのパネル (C および D) は大きなサンプル用です (PROMPT データセットの特性と特徴に基づく)。 NACC データセットの特徴と機能)。左と右のパネルは、それぞれデータ生成プロセス [DGP] とランダムサバイバルフォレスト [RSF] ベースの DGP に使用される Cox 回帰です。各パネルは、9 つの生存分析モデルのそれぞれに対応する 9 つの箱ひげ図で構成されます。各箱ひげ図は、特定の DGP および生存分析手法が適用された場合の、500 回のシミュレーション反復にわたるハレルの c インデックス [c-index] の変動を示します。コックス: コックス比例ハザード。 Ridge-Cox: リッジペナルティに基づくコックス回帰。 LASSO-Cox: 最小絶対収縮選択演算子ペナルティに基づくコックス回帰。 EN-Cox: エラスティックネットペナルティに基づくコックス回帰。 SurvTree: サバイバルツリー。 RSF: ランダムサバイバルフォレスト。 SSVM: サバイバルサポートベクターマシン。 SNN: サバイバルニューラルネットワーク。 XGBoost: 極端な勾配ブースティング

データが小さなサンプルサイズと Cox 回帰に基づいて生成された場合、推定平均 c-index は、エラスティックネット (EN-Cox) および LASSO (LASSO-Cox) を使用したペナルティ付き Cox 回帰で最も高かったが、サバイバルニューラルでは最も低かった。ネットワーク。さらに、ランダム生存フォレスト、Cox 回帰、Ridge-Cox の推定平均 c-index 値は、EN-Cox および LASSO-Cox よりわずかに低かった。一方、ランダム生存フォレストモデルに基づいてデータが生成された場合、ランダム生存フォレストと生存サポートベクターマシンのみが 0.5 より大きい推定平均 c インデックス値を持ちました。コックス回帰の推定平均 c インデックス値は、リッジ- Cox、EN-Cox、生存ツリー、および生存ニューラルネットワークは同等でしたが、0.5 未満でした。データ生成モデルに関係なく、大きなサンプルサイズに基づいてデータが生成された場合、生存サポートベクターマシンと生存ニューラルネットワークモデルを除く、ほとんどのモデルで推定された c-index 値の間には無視できるほどの差がありました。推定された最小の c-index 値。

図 3 は、Cox 回帰およびランダム生存フォレストデータ生成プロセスの 500 回の複製のうち、9 つすべてのモデルの ICI 値の分布を示しています。サンプルサイズが小さく、イベント発生までの時間の結果を生成するためにコックス回帰モデルが使用された場合、極端な勾配ブースティング、ランダム生存フォレスト、生存ニューラルネットワーク、およびコックス回帰の推定 ICI 値が最も低くなりました。さらに、LASSO-Cox モデルと生存サポートベクターマシンモデルの推定 ICI 値は高く、これら 2 つのモデルが他のモデルよりも適切に校正されていないことを示唆しています。一方、シミュレーションデータがランダムサバイバルフォレストに基づいて生成された場合、極端な勾配ブースティング、EN-Cox、およびランダムサバイバルフォレストにより、シミュレーションレプリケーションで最も低い ICI 値の推定値が得られる傾向がありました。 Cox 回帰モデル、LASSO-Cox、およびサバイバルニューラルネットワークでは、ランダムサバイバルフォレストよりもわずかに高い推定 ICI 値が得られました。さらに、サンプルサイズが大きい場合、データ生成モデルに関係なく、極端な勾配ブースティング、ランダムサバイバルフォレスト、サバイバルニューラルネットワーク、およびコックス回帰により、シミュレーションレプリケーションで残りのモデルよりも最も低い ICI 値の推定値が得られる傾向がありました。モデル。逆に、LASSO-Cox は、残りのモデルと比較して、最も高い ICI 値の推定値をもたらす傾向がありました。

500 回の複製にわたる 3 倍 CV から評価された、9 つのモデルの推定 ICI の分布

注意: パネルは 4 つあり、上の 2 つのパネル (A および B) は小さなサンプル用 (PROMPT データセットの特性と機能に基づく)、下の 2 つのパネル (C および D) は大きなサンプル用です (PROMPT データセットの特性と特徴に基づく)。 NACC データセットの特徴と機能)。左と右のパネルは、それぞれデータ生成プロセス [DGP] とランダムサバイバルフォレスト [RSF] ベースの DGP に使用される Cox 回帰です。各パネルは、9 つの生存分析モデルのそれぞれに対応する 9 つの箱ひげ図で構成されます。各箱ひげ図は、特定の DGP および生存分析方法が適用された場合の、500 回のシミュレーション反復にわたる統合キャリブレーションインデックス [ICI] の変動を示します。コックス: コックス比例ハザード。 Ridge-Cox: リッジペナルティに基づくコックス回帰。 LASSO-Cox: 最小絶対収縮選択演算子ペナルティに基づくコックス回帰。 EN-Cox: エラスティックネットペナルティに基づくコックス回帰。 SurvTree: サバイバルツリー。 RSF: ランダムサバイバルフォレスト。 SSVM: サバイバルサポートベクターマシン。 SNN: サバイバルニューラルネットワーク。 XGBoost: 極端な勾配ブースティング

図 4 は、データ生成プロセスが Cox 回帰およびランダム生存フォレストに基づいていた場合の、調査されたすべてのモデルの IBS 値の分布を示しています。サンプルサイズが小さい条件のコックス回帰に基づいてデータが生成された場合、ランダム生存フォレスト、極端な勾配ブースティング、およびコックス回帰モデルでは推定平均 IBS 値が低くなりました。対照的に、LASSO-Cox モデルと生存サポートベクターマシンモデルは、推定平均 IBS 値が最も高かった。シミュレーションデータがランダムサバイバルフォレストモデルに基づいて生成された場合、Cox、LASSO-Cox、EN-Cox、サバイバルニューラルネットワーク、極度勾配ブースティング、およびランダムサバイバルフォレストはすべて、同等の推定 IBS 値を持ちました。一方、Ridge-Cox 生存ツリーと生存サポートベクターマシンは、他のモデルよりも高い推定平均 IBS 値を持っていました。サンプルサイズが大きく、データ生成プロセスが Cox 回帰に基づいていた場合、EN-Cox、ランダムサバイバルフォレスト、サバイバルニューラルネットワーク、極端な勾配ブースティングはすべて、Cox 回帰モデルと同様の推定 IBS 値を持ちました。ただし、LASSO-Cox の推定平均 IBS 値が最も高かった。対照的に、データがランダムサバイバルフォレストに基づいて生成された場合、Cox 回帰、Ridge-Cox、EN-Cox、ランダムサバイバルフォレスト、サバイバルニューラルネットワーク、および極度勾配ブースティングはすべて、比較的小さく類似した推定 IBS 値を持ちました。 LASSO-Cox および生存ツリーでは、より高い推定 IBS 値が得られました。

500 回の複製にわたる 3 倍 CV から評価された、9 つのモデルの推定 IBS の分布

注意: パネルは 4 つあり、上の 2 つのパネル (A および B) は小さなサンプル用 (PROMPT データセットの特性と機能に基づく)、下の 2 つのパネル (C および D) は大きなサンプル用です (PROMPT データセットの特性と特徴に基づく)。 NACC データセットの特徴と機能)。左と右のパネルは、それぞれデータ生成プロセス [DGP] とランダムサバイバルフォレスト [RSF] ベースの DGP に使用される Cox 回帰です。各パネルは、9 つの生存分析モデルのそれぞれに対応する 9 つの箱ひげ図で構成されます。各箱ひげ図は、特定の DGP および生存分析方法が適用された場合の 500 回のシミュレーション反復にわたる統合ブライアースコア [IBS] の変動を示します。コックス: コックス比例ハザード。 Ridge-Cox: リッジペナルティに基づくコックス回帰。 LASSO-Cox: 最小絶対収縮選択演算子ペナルティに基づくコックス回帰。 EN-Cox: エラスティックネットペナルティに基づくコックス回帰。 SurvTree: サバイバルツリー。 RSF: ランダムサバイバルフォレスト。 SSVM: サバイバルサポートベクターマシン。 SNN: サバイバルニューラルネットワーク。 XGBoost: 極端な勾配ブースティング

この研究では、モンテカルロシミュレーションを使用して、(ペナルティありおよびペナルティなしの) コックス回帰および機械学習生存モデルの精度を評価しました。私たちのシミュレーション結果は、コックス回帰および機械学習モデルが 3 つの異なるパフォーマンスメトリクスおよびデータ分析条件にわたって同等の予測精度を持っていることを示しています。ペナルティなしのコックス回帰、ランダム生存フォレスト、および極端な勾配ブースティングは、データ生成モデルとサンプルサイズに関係なく、推定識別性能 (つまり、c インデックス) がわずかに高く、残りのモデルよりも適切に校正されていました。

これらの発見は、バイナリ結果を予測するための従来の回帰モデルと機械学習モデルのパフォーマンスを調査した以前の研究の結論と一致しています [9、30]。バイナリ結果の予測にロジスティック回帰モデルと機械学習モデルを使用した 71 件の研究の体系的レビューにおいて、著者らは機械学習モデルとロジスティック回帰モデルの間の識別パフォーマンスに有意な差がないことを発見しました [9]。最近の研究では、モンテカルロシミュレーションを使用してロジスティック回帰と機械学習モデルを比較し、これらのモデルは予測精度に関して比較的パフォーマンスが良いのに対し、(ペナルティ付き) ロジスティック回帰とブーストツリーは他の方法と比較してパフォーマンスが優れている傾向があると結論付けました [30] 。

私たちの研究結論の主な意味は、イベント発生までの時間の結果を予測するためのコックス回帰アルゴリズムと機械学習アルゴリズムのどちらを選択するかは、モデルの精度以外の重要な考慮事項に基づく必要があるということです。これは、両方のクラスの識別パフォーマンスに有意な差がないためです。モデル。研究目的とデータの特性 (結果の分布、タイプ、予測変数の数など) に関する考慮事項、およびモデル結果の解釈可能性は、モデルの選択に影響を与える可能性があります。たとえば、イベント発生までの時間の結果に対する予測変数の影響を定量化して説明することに関心がある場合、コックス回帰モデルは研究上の疑問に対処するのにより適している可能性があります。対照的に、機械学習アルゴリズムは、ボクセルレベルの画像データなど、型破りな予測変数を含むデータセットの予測により適している可能性があります。

この研究にはいくつかの長所といくつかの限界があります。この研究の強みは、シミュレーション研究の設計と実装が、認知症研究で遭遇するデータ分析条件では非現実的である理論的な分布データ特性ではなく、現実世界のデータ特性に基づいて行われたことです。第 2 に、調査対象のモデルの予測パフォーマンスを公平に比較するために、シミュレーションスタディの設計と実装に対してより堅牢なアプローチが採用されました。このシミュレーション調査は、モデルのパフォーマンスの識別と校正の両方の調査と、モデル比較の公平性を確保する複数のデータ生成モデルの使用という点で包括的でした。それにもかかわらず、この研究には限界があります。第一に、調査されたシミュレーション条件は、既存のレジストリや軽度認知障害患者の観察研究で一般的に見られるデータ特性（予測因子間の相関構造など）に限定されており、一般集団を代表するものではありませんでした。我々のシミュレーション条件は他の集団（例えば、[30]で調査された心臓集団）で見られるデータ特性を調べていませんが、我々の発見は他の患者集団での他の関連シミュレーション研究からの結論と一致しています[30]。第二に、私たちのシミュレーション研究では、3 年間の間に認知症の発症を防ぐことができた競合事象が存在しないと仮定しました。死亡率などの競合する事象により、特に主に高齢者や高齢者で構成されるMCI患者集団において、認知症への進行の観察が覆い隠される可能性があります。今後の研究では、競合する死亡リスクがこれらのモデルの精度に及ぼす影響を調査する予定です。もう 1 つの制限は、シミュレーションデータが小さなサンプル (N = 276) のランダム生存林に基づいて生成された場合、9 つすべてのモデルの予測精度が大幅に低下することです。ただし、これはデータ生成モデルとしてコックス回帰が使用された場合には当てはまりませんでした。。この予測精度の低下は、ランダム生存森林データ生成プロセスが PROMPT レジストリの小さなサンプルサイズの影響を受けやすいという事実に起因している可能性があります。最後に、私たちのシミュレーション研究では、モデルに含まれる研究予測子が既知であり、モデルの過剰適合を減らすためにハイパーパラメーター調整が使用されたことを前提としていました。今後の研究では、(ペナルティありおよびペナルティなしの) コックス回帰および機械学習モデルの精度に対する変数選択方法の影響を調査する予定です。

要約すると、機械学習と従来の回帰モデルは、臨床リスク予測モデルを開発するために依然として広く使用されている方法論です。私たちの研究では、イベント発生までの時間の結果を予測するための、コックス回帰モデルと生存ランダムフォレストなどの機械学習モデルの識別と校正における差異が無視できる程度であることが明らかになりました。この研究は、予後研究で広く使用されているこれら 2 つのクラスのモデルの比較パフォーマンスを調査する一連の文献に追加されます。従来の Cox 回帰モデルは一般に、ほとんどの機械学習アルゴリズムよりも解釈しやすく、適切に調整されているため、臨床リスク予測モデルの開発にはこれを採用することをお勧めします。さらに重要なのは、これらのモデルの選択は、研究仮説、モデルの解釈可能性、データの種類に関する重要な考慮事項に基づいて行う必要があります。今後の研究では、変数選択方法がこれらのモデルの精度にどのような影響を与えるかを調査する予定です。

この研究の結果を裏付けるデータは、PROMPT レジストリの主任研究者 (Eric Smith: [email protected]) および NACC 統一データセット (データリクエストリンク: https://naccdata.org/requesting-data) から入手できます。 /submit-data-request) ただし、これらのデータの利用には制限が適用され、現在の研究ではライセンスに基づいて使用されているため、一般公開されていません。ただし、データは、合理的な要求に応じて、PROMPT レジストリの主任研究者の許可と NACC データアクセスの承認を得て、著者から入手できます。

軽度認知障害

記憶障害のある人の見込み登録登録

モントリオール認知評価

国立アルツハイマー病調整センターの登録簿

国立老化研究所

アルツハイマー病研究センター

均一なデータセット

サンプルサイズ

検閲率

相互検証

ハレルの一致指数

統合された校正インデックス

統合されたブライアースコア

データ生成プロセス

コックス比例ハザード

リッジペナルティに基づくコックス回帰

最小絶対収縮選択演算子ペナルティに基づく Cox 回帰

エラスティックネットペナルティに基づくコックス回帰

サバイバルツリー

ランダムサバイバルフォレスト

サバイバルサポートベクターマシン

サバイバルニューラルネットワーク

極端な勾配ブースティング

リビングストン G、サマーラッド A、オルジェタ V、コスタフレダ SG、ハントリー J、エイムズ D 他認知症の予防、介入、ケア。ランセット。 2017;390:2673–734。

記事 Google Scholar

Mitchell AJ、Shiri-Feshki M. 軽度認知障害から認知症への進行率 – 41 件の堅牢な開始コホート研究のメタ分析。アクタ精神医学スカンジナビカ。 2009;119:252–65。

論文 CAS PubMed Google Scholar

Ganguli M、Jia Y、Hughes TF、Snitz BE、Chang C-CH、Berman SB、他認知症に進行しない軽度の認知障害：集団ベースの研究。 J Am Geriatr Soc. 2019;67:232–8。

論文 PubMed Google Scholar

アルヴァニタキス Z、シャー RC、ベネット DA。認知症の診断と管理。ジャム。 2019;322:1589–99。

記事 PubMed PubMed Central Google Scholar

Cooper C、Sommerlad A、Lyketsos CG、Livingston G. 軽度認知障害における認知症の修正可能な予測因子:系統的レビューとメタ分析。 J精神科です。 2015;172:323–34。

論文 PubMed Google Scholar

コリンズGS、ライツマJB、アルトマンDG、ムーンズKG。個人の予後または診断のための多変数予測モデルの透明性のあるレポート (TRIPOD): TRIPOD ステートメント。 Br J Surg. 2015;102:148–58。

論文 CAS PubMed Google Scholar

Goerdten J、Čukić I、Danso SO、Carrière I、Muniz?Terrera G. 認知症リスク予測のための統計的手法と将来の研究への推奨事項: 系統的レビュー。アルツハイマー病と認知症: トランスレーショナル研究と臨床介入。 2019;5:563–9

タン EYH、ハリソン SL、エリントン L、ゴードン MF、ヴィッサー PJ、ノバク G 他認知症リスク予測モデリングの現在の発展: 最新の系統的レビュー。 PLoS ONE。 2015;10:e0136181。

記事 PubMed PubMed Central Google Scholar

Christodoulou E、Ma J、Collins GS、Steyerberg EW、Verbakel JY、Van Calster B。系統的レビューでは、臨床予測モデルのロジスティック回帰よりも機械学習のパフォーマンス上の利点は示されていません。 J Clin Epidemiol。 2019;110:12–22。

論文 PubMed Google Scholar

モリスTP、ホワイトIR、クラウザーMJ。シミュレーション研究を使用して統計手法を評価します。統計医学。 2019;38:2074–102。

記事 PubMed PubMed Central Google Scholar

スミス H、スウィーティング M、モリス T、クラウザー MJ。イベント発生までの時間データのリスク予測に対する統計的アプローチと機械学習的アプローチを比較したシミュレーション研究の範囲を限定する方法論的レビュー。予後診断結果 2022;6:10。

記事 Google Scholar

シェイク F、イスマイル Z、モルトビー ME、バーバー P、シースラク A、フィッシャー K、他。軽度認知障害および主観的認知機能低下における軽度の行動障害の有病率と、介護者の負担との関連性。 Int Psychogeriatr. 2018;30:233–44。

論文 PubMed Google Scholar

Weintraub S、Salmon D、Mercaldo N、Ferris S、Graff-Radford NR、Chui H、他。アルツハイマー病センターの統一データセット (UDS): 神経心理学的検査バッテリー。アルツハイマー病関連障害。 2009;23:91–101。

記事 PubMed PubMed Central Google Scholar

ビークリー DL、ラモス EM、ヴァンベル G、ダイトリッヒ W、クラーク AD、ジャッカ ME 他国立アルツハイマー調整センター (NACC) データベース: アルツハイマー病データベース。アルツハイマー病関連障害。 2004;18:270–7。

PubMed Google Scholar

モリスJC、ワイントラウブS、チュイHC、カミングスJ、デカーリC、フェリスS、他統一データセット (UDS): アルツハイマー病センターからの臨床変数および認知変数と記述データ。アルツハイマー病関連障害。 2006;20:210–6。

論文 PubMed Google Scholar

マッカーン GM、ノップマン DS、チャートコウ H、ハイマン BT、ジャック CR、カワス CH 他アルツハイマー病による認知症の診断: アルツハイマー病の診断ガイドラインに関する国立老化研究所とアルツハイマー病協会のワークグループからの推奨事項。アルツハイマー型認知症。 2011;7:263–9。

記事 PubMed PubMed Central Google Scholar

アルバート MS、デコスキー ST、ディクソン D、デュボア B、フェルドマン HH、フォックス NC、他。アルツハイマー病による軽度認知障害の診断: アルツハイマー病の診断ガイドラインに関する国立老化研究所とアルツハイマー病協会のワークグループからの推奨事項。アルツハイマー病と認知症。 2011;7:270–9。

記事 Google Scholar

ブライマン L、フリードマン J、ストーン CJ、オルシェン RA。分類および回帰ツリー。 CRCプレス。 1984年。

イシュワラン H、コガルル UB、ブラックストーン EH、ラウアー MS。ランダムサバイバルフォレスト。応用統計年報。 2008;2:841–60。

記事 Google Scholar

ブライマン L. ランダムフォレスト。マッハラーニング。 2001;45:5–32。

記事 Google Scholar

Shivaswamy PK、Chu W、Jansche M. 検閲されたターゲットに対するサポートベクターアプローチ。参加場所: 第 7 回 IEEE データマイニング国際会議 (ICDM 2007)。米国ネブラスカ州オマハ: IEEE; 2007.p. 655-60。

Van Belle V、Pelckmans K、Suykens JAK、Van Huffel S。生存分析のためのベクターマシンをサポートします。掲載: 医学およびヘルスケアにおける計算知能に関する第 3 回国際会議 (CIMED2007) の議事録。 2007.p. 1～8。

ヴァン・ベル V、ペルクマンズ K、ヴァン・ハッフェル S、スイケンズ JA。生存分析のサポートベクター法: ランキングアプローチと回帰アプローチの比較。アーティフ・インテル・メッド。 2011;53:107–18。

論文 PubMed Google Scholar

Katzman JL、Shaham U、Cloninger A、Bates J、Jiang T、Kluger Y. DeepSurv: Cox 比例ハザードディープニューラルネットワークを使用したパーソナライズされた治療推奨システム。 BMC Med Res Methodol。 2018;18:24。

記事 PubMed PubMed Central Google Scholar

Srivastava N、Hinton G、Krizhevsky A、Sutskever I、Salakhutdinov R. Dropout: ニューラルネットワークの過剰適合を防ぐ簡単な方法。 J マッハ学習研究所 2014;15:1929–58。

Google スカラー

Chen T、Guestrin C. XGBoost: スケーラブルなツリーブースティングシステム。知識発見とデータマイニングに関する第 22 回 ACM SIGKDD 国際会議の議事録。 2016;:785–94。

フリードマン JH. 貪欲な関数の近似: 勾配ブースティングマシン。統計年報。 2001;29:1189–232。

記事 Google Scholar

リッジウェイ G. ブースティングの状態。科学統計を計算する 1999;31:172–81。

Google スカラー

Binder H、Schumacher M. スパース高次元生存モデルのブースト推定における必須共変量の許容。 BMCバイオインフォマティクス。 2008;9:14。

記事 PubMed PubMed Central Google Scholar

オースティン PC、ハレル FE、ステイヤーバーグ EW。機械および統計学習手法の予測パフォーマンス: 「大きい N、小さい p」設定における外部妥当性に対するデータ生成プロセスの影響。統計メソッド Med Res. 2021;30:1465–83。

記事 PubMed PubMed Central Google Scholar

ファン・デル・プローグ T、オースティン PC、シュタイアーバーグ EW。最新のモデリング手法はデータを大量に必要とします。これは、二分的なエンドポイントを予測するためのシミュレーション研究です。 BMC Med Res Methodol。 2014;14:137。

記事 PubMed PubMed Central Google Scholar

Sonabend R、Kiraly F. distr6: R の R6 オブジェクト指向確率分布インターフェイス。arXiv プレプリント arXiv。 2021;:02993。

ハレル FE、カリフ RM、プライアー DB、リー KL、ロザティ RA。医療検査の歩留まりを評価する。ジャム。 1982;247:2543–6。

論文 PubMed Google Scholar

オースティン PC、ハレル FE、ヴァンクラベレン D. 生存モデルのグラフ校正曲線と統合校正指数 (ICI)。統計医学。 2020;39:2714–42。

記事 PubMed PubMed Central Google Scholar

Graf E、Schmoor C、Sauerbrei W、Schumacher M. 生存データの予後分類スキームの評価と比較。統計医学。 1999;18:2529–45。

3.0.CO;2-5" data-track-action="article reference" href="https://doi.org/10.1002%2F%28SICI%291097-0258%2819990915%2F30%2918%3A17%2F18%3C2529%3A%3AAID-SIM274%3E3.0.CO%3B2-5" aria-label="Article reference 35" data-doi="10.1002/(SICI)1097-0258(19990915/30)18:17/183.0.CO;2-5">論文 CAS PubMed Google Scholar

クーパーバーグ C、ストーン CJ、チュオン YK。ハザード回帰。 J Am Stat Assoc. 1995;90:78–94。

記事 Google Scholar

Rコアチーム。 R: 統計コンピューティングのための言語および環境。 R 統計コンピューティング財団。 2021年。

リファレンスをダウンロードする

Meng Wang の博士課程の研究は、Alberta Innovates 大学院生奨学金、カルガリー大学カミング医学部大学院奨学金、Harley N. Hotchkiss 神経科学博士奨学金によって支援されました。サジョビ博士は、自然科学工学研究評議会ディスカバリー助成金によって支援されています。カルガリー大学 Research Computing Services が提供した技術サポートとリソースに感謝するとともに、Tannistha Nandi 氏、Dmitri Rozmanov 氏、Javad Rahimipour Anaraki 氏、Raissa Souza de Andrade 氏に特別な感謝を申し上げます。 PROMPT レジストリは、カルガリー大学の血管性認知症分野のキャシーテイラー教授から資金提供を受けており、カルガリー大学ホチキス脳研究所の脳とメンタルヘルス研究クリニックイニシアチブからの追加支援も受けています。 NACC データベースは、NIA/NIH Grant U01 AG016976 によって資金提供されています。 NACC データは、NIA が資金提供する ADC によって提供されています。P30 AG019610 (PI Eric Reiman, MD)、P30 AG013846 (PI Neil Kowall, MD)、P50 AG008702 (PI Scott Small, MD)、P50 AG025688 (PI Allan Levey, MD) PhD)、P50 AG047266 (PI Todd Golde、MD、PhD)、P30 AG010133 (PI Andrew Saykin、PsyD)、P50 AG005146 (PI Marilyn Albert、PhD)、P50 AG005134 (PI Bradley Hyman、MD、PhD)、P50 AG016574 ( PI ロナルド・ピーターセン博士、PhD)、P50 AG005138 (PI メアリー・サノ博士)、P30 AG008051 (PI Thomas Wisniewski、MD)、P30 AG013854 (PI Robert Vassar、PhD)、P30 AG008017 (PI Jeffrey Kaye、MD)、P30 AG010161 (PI David Bennett, MD)、P50 AG047366 (PI Victor Henderson, MD, MS)、P30 AG010129 (PI Charles DeCarli, MD)、P50 AG016573 (PI Frank LaFerla, PhD)、P50 AG005131 (PI James Brewer, MD, PhD)、P50 AG023501 (PI Bruce Miller、MD)、P30 AG035982 (PI Russell Swerdlow、MD)、P30 AG028383 (PI Linda Van Eldik、PhD)、P30 AG053760 (PI Henry Paulson、MD、PhD)、P30 AG010124 (PI) John Trojanowski、MD、PhD)、P50 AG005133 (PI Oscar Lopez、MD)、P50 AG005142 (PI Helena Chui、MD)、P30 AG012300 (PI Roger Rosenberg、MD)、P30 AG049638 (PI Suzanne Craft、PhD)、P50 AG005136 (PI Thomas Grabowski、MD)、P50 AG033514 (PI Sanjay Asthana、MD、FRCP)、P50 AG005681 (PI John Morris、MD)、P50 AG047270 (PI Stephen Strittmatter、MD、PhD)。

適用できない。

カルガリー大学カミング医学部コミュニティ健康科学部、3280 Hospital Drive NW、T2N 4Z6 AB、カルガリー、カナダ

Meng Wang、Gabriel Afriyie、Tolulope T. Sajobi

臨床神経科学部門およびホッチキス脳研究所、カルガリー大学カミング医学部、カルガリー、アルバータ州、カナダ

メン・ワン、ニルス・D・フォルカート、ザヒノール・イスマイル、エリック・E・スミス、トルロープ・T・サジョビ

カルガリー大学数学統計学部、カルガリー、カナダ

マシュー・グリーンバーグ

カルガリー大学カミング医学部放射線科、カルガリー、アルバータ州、カナダ

ニルス・D・間違った

ミネソタ大学公衆衛生学部生物統計部門（米国ミネアポリス）

ティエリー・チェクオ

カナダ、カルガリー、カルガリー大学カミング医学部精神科

ザヒノール・イスマイル

PubMed Google Scholar でこの著者を検索することもできます

TTS と MW はこの研究を考案、設計、開発しました。 MW はデータのクリーニング/分析/シミュレーションを実行し、調査結果を要約し、原稿の初稿を作成しました。 TTS と EES は、倫理適用、データ操作、所見の解釈など、MW の博士課程の仕事を監督しています。 MG と NDF は、機械学習アルゴリズムに関する専門知識を提供し、調整された各ハイパーパラメーターの検索スペースに関する情報を提供しました。 EES と ZI は、両方のデータセットの MCI 変換の予測因子の潜在的なリストの臨床的関連性を保証しました。 TC と TTS は、モデルのパフォーマンス測定とリスク予測モデリングに関する方法論的な専門知識を提供しました。 GA は調査結果の要約と結果の表作成を支援しました。 EES と ZI は、実データコホートの選択と州の行政データベースへのデータ連携を監督しました。 TTS、MG、NDF、TC、GA、ZI、EES がこの記事を批判的にレビューし、編集しました。著者全員が最終原稿を読んで承認しました。

Tolulope T. Sajobi への通信。

この研究は、カルガリー大学共同健康研究倫理委員会 (REB19-0469) によって承認されています。 NACC データベース自体は、ワシントン大学人体被験者部門の判断に従ってヒト被験者を含まないため、治験審査委員会の審査から免除されています。貢献しているすべての ADRC は、参加者からインフォームドコンセントを得ていました。 PROMPT はカルガリー大学共同健康研究倫理委員会によって承認されており、すべての被験者またはその代理人には書面によるインフォームドコンセントが提供されています。使用された方法は、関連するガイドラインおよび規制に従って実行されました。

適用できない。

財務的、一般的、制度上の競合する利益に基づいて宣言されたものはありません。

シュプリンガーネイチャーは、発行された地図および所属機関における管轄権の主張に関して中立を保ちます。

以下は電子補足資料へのリンクです。

オープンアクセスこの記事はクリエイティブコモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブコモンズライセンスへのリンクを提供し、変更が加えられたかどうかを示します。この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブコモンズライセンスに含まれています。素材が記事のクリエイティブコモンズライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

Wang, M.、Greenberg, M.、Forkert, ND 他。軽度認知障害のある人の認知症リスク予測: コックス回帰モデルと機械学習モデルの比較。 BMC Med Res Methodol 22、284 (2022)。 https://doi.org/10.1186/s12874-022-01754-y

引用をダウンロード

受信日: 2022 年 4 月 26 日

改訂日: 2022 年 9 月 12 日

受理日: 2022 年 10 月 10 日

公開日: 2022 年 11 月 2 日

DOI: https://doi.org/10.1186/s12874-022-01754-y

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供