Comparing penalization methods for linear models on large observational health data
Rattachement africain : nl, us. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
OBJECTIVE: This study evaluates regularization variants in logistic regression (L1, L2, ElasticNet, Adaptive L1, Adaptive ElasticNet, Broken adaptive ridge [BAR], and Iterative hard thresholding [IHT]) for discrimination and calibration performance, focusing on both internal and external validation. MATERIALS AND METHODS: We use data from 5 US claims and electronic health record databases and develop models for various outcomes in a major depressive disorder patient population. We externally validate all models in the other databases. We use a train-test split of 75%/25% and evaluate performance with discrimination and calibration. Statistical analysis for difference in performance uses Friedman's test and critical difference diagrams. RESULTS: Of the 840 models we develop, L1 and ElasticNet emerge as superior in both internal and external discrimination, with a notable AUC difference. BAR and IHT show the best internal calibration, without a clear external calibration leader. ElasticNet typically has larger model sizes than L1. Methods like IHT and BAR, while slightly less discriminative, significantly reduce model complexity. CONCLUSION: L1 and ElasticNet offer the best discriminative performance in logistic regression for healthcare predictions, maintaining robustness across validations. For simpler, more interpretable models, L0-based methods (IHT and BAR) are advantageous, providing greater parsimony and calibration with fewer features. This study aids in selecting suitable regularization techniques for healthcare prediction models, balancing performance, complexity, and interpretability.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- Comparing penalization methods for linear models on large observational health data
- Date Crossref
- 20/05/2024
- Éditeur
- Oxford University Press (OUP)
- Type
- journal-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Où se fait cette recherche
-
Erasmus MC pays non établi dans la noticeÉtablissement de santé
-
United States Department of Veterans Affairs pays non établi dans la noticeOrganisme public
-
University of California Department of Biostatistics pays non établi dans la noticeUniversité ou école supérieure
-
Janssen (United States) pays non établi dans la noticeEntreprise
-
Erasmus University Medical Center Department of Medical Informatics pays non établi dans la noticeUniversité ou école supérieure
-
VA Informatics and Computing Infrastructure pays non établi dans la noticeInstitution
-
Observational Health Data Analytics pays non établi dans la noticeInstitution
Erasmus MC, United States Department of Veterans Affairs et Department of Biostatistics — University of California, avec 4 autres affiliations.
Une affiliation ne permet pas de déduire la nationalité d’un auteur.