医学预测模型方法这么多，我该选择哪一个？

内容来自：“小白学统计”微信公众号，感谢作者授权

医学预测模型可用的方法非常多，可谓眼花缭乱，随口就能说得上来的都有十几种，能用的至少几十种。 那么医学研究中的预测模型开发常用的方法到底有哪些，如何选择？ 本文结合自己的经验说一下。 不当之处，请批评。

我个人认为，可以将医学预测模型方法分为三大类：

（1）回归模型：这里既可以是传统的回归模型，如logistic回归、线性回归、Poisson回归；也可以是考虑收缩技术（ 或者叫做惩罚方法）的模型，如Lasso回归、弹性网络等。

（2）非参数模型： 如光滑样条、广义可加模型等。

（3）机器学习和深度学习技术： 如神经网络、分类树、支持向量机、随机森林、卷积神经网络等。

这种分类当然仁者见仁。 比如，机器学习和深度学习能不能归到一类，每个人有自己的不同观点，因为应用场景不大一样。 深度学习主要用于一些文本、图像等非数字的数据。

当然，无论如何，大家不用太关心这个分类。因为不会有人非得问你，你这个方法属于哪一类？大家需要更关心的是：我该选择哪种方法。

很多临床医生以及很多公卫的学生现在都喜欢用机器学习方法，觉得听起来高大上。 这种心理无非就是觉得： 我用个大家都知道的回归分析，太土了，显不出我的水平。 我用个新颖的机器学习方法，大家觉得我水平高。

让我们仔细分析一下：首先，如果你是写文章或申课题，评审的都是专业的统计学家，专业的统计学家绝对不会因为你用神经网络而不用logistic回归，就觉得你水平更高。在专业统计学家眼中，不会觉得一种方法比另一种方法更好，每种方法都有自己的优缺点。当然，也许有时候恰好评审专家中没有统计学家，那另当别论。 其次，如果你是毕业论文，给你评审的专家什么方法没见过？强行为了用新方法而用，只会让评审专家觉得你太幼稚。

所以，无论在什么情形，没必要去追求所谓的高大上方法。

那实际中如何选择呢？ 先用一张概念图示意一下常见几种方法的解释度和灵活度（摘自James G，2021）。

没有任何一种方法是完美的。回归方法解释度很好，但灵活度不足；机器学习方法很灵活，但解释能力有限。

所以，其实答案取决于你自己。 你想侧重解释度还是侧重模型的拟合效果？如果你的目的只是为了建一个预测效果很好的模型，至于解释能力如何并不关心，这种情况下，可以考虑用机器学习（当然，我说是可以考虑，并不意味着一定可以用，实际能不能用还取决于其它条件，比如样本量够不够）；如果你想开发一个在临床中应用的，让临床大夫也能很好理解的预测模型，那解释度就很重要，这时候建议首选考虑回归模型。

事实上，机器学习为什么更加灵活，很大一部分原因是它比回归模型可以更好地处理非线性。回归模型（包括lasso）无法自动处理非线性问题，而在医学数据中，非线性并不少见。如果存在非线性而你又直接用回归模型，必然效果不好。但是这里还有一个契机是：如果你有一定的分析经验，依然可以通过各种方法在回归模型中解决非线性问题。

比如下面这个例子，这是同一个连续变量的预测效果。 左图把变量直接纳入logistic回归，显示AUC只有0.6，而两层的神经网络则AUC达到了0.86。 很多人就会说，果然神经网络优于logistic回归！ 事实上，不少论文就是这么做的，也是这么得出结论的。

然而再看右图，我仍然使用logistic回归，但是把该变量做了一个变换，同样还是这个变量，AUC也达到了0.86。 现在还能说logistic回归不如神经网络吗？

所以建议大家：

如果你用的就是常规的临床数值数据（而不是文本或图像等），如果预测变量与结局之间没有复杂的非线性关系，采用回归模型即可； 如果发现非线性关系，但是可以变换成线性的，可以考虑简单的非线性回归模型； 这类方法的解释度最高。

如果存在较为复杂非线性关系，可以考虑样条回归、光滑样条等技术，这类方法的解释度略优于神经网络。 但其实这类方法也不会把关系处理的太复杂，大多数还是相对简单的非线性关系。 因为如果非要搞得很复杂，解释性也就下降了，就不如直接用机器学习了。

只有那些真正关系很复杂或搞不清到底什么关系，可以考虑用机器学习方法。机器学习并不是万能的，至少解释度就差了好多。尽管目前也有一些技术适当提高了解释度（如SHAP），但是相比之下，毕竟还是不如回归模型。

如果你是一名临床医生，我相信你开发一个预测模型的目的是为了应用，这种情况下，用回归模型会更合理，除非数据实在太复杂。 但根据我十多年超过千次的数据分析经验，通常数据没有那么复杂。

如果你是一名公共卫生、医学统计专业的学生，可能是为了写一个预测模型开发的毕业论文，所以你想用一些新的方法。但我仍然建议首选回归模型。原因在于：如果你用机器学习的方法，你或许在分析过程中学到了如何用R、python等实现，但你也许只学到了这些。除非你非常用心钻研其背后原理（据我了解这种人不多），否则其实你仍然只是学到了皮毛。还不如采用回归模型，具体学习分析过程中遇到的各种问题，如何解决的方法，也许会加深你对模型的理解。永远不要觉得哪种方法太简单了你不屑于用，没有一种方法是真正简单的，取决于你如何理解“学会”这两个字。能用软件出个结果就算是“学会”了这种方法了吗？

当然，虽然我的建议很明确，但仍需要根据具体数据、具体场景、以及你自己的研究目的来定。只是希望大家在医学预测模型开发应用这一领域，不要走偏。如果一个医学预测模型最终目的不是为了临床应用而生，那你开发的目的到底是什么？这个问题虽然简单，但是希望大家在模型开发前，都扪心自问一下，我们做这个预测模型是为了什么？是不是必须要做？

教程，30多篇R教程，以及更多科研教程！