Bayesian tensor factorization for predicting clinical outcomes using integrated human genetics evidence
Global Blood Therapeutics(Global Blood Therapeutics(全球血液治疗公司))
候选药物的批准成功率非常低,大多数失败是由于安全性和有效性。越来越多的关于靶点、药物分子和适应症的高维信息为ML方法提供了整合多种数据模式并更好地预测临床上有前景的药物靶点的机会。值得注意的是,具有人类遗传学证据的药物靶点被证明有更好的成功几率。然而,最近的一种基于张量因子分解的方法发现,关于目标和适应症的额外信息可能不一定会提高预测准确性。在这里,我们通过整合从公开来源整理的不同类型的人类遗传学证据来重新审视这种方法,以支持每个目标-适应症对。我们使用贝叶斯张量因子分解来表明,与使用单线遗传学证据的模型相比,结合所有可用的人类遗传学证据(罕见疾病,基因负担,常见疾病)的模型适度改善了临床结果预测。我们对不同类型的人类遗传学证据的相对预测能力提供了额外的见解,以预测临床结果的成功。
2022-07-25 cs.LG q-bio.GN stat.AP
Statistical Evolution of ODI Cricket: Analyzing Performance Trends and Effect Sizes
本研究通过分析1987至2023年约4000场ODI板球比赛,运用Cohen's效应量等统计方法,揭示了击球深度、保龄球效率及伙伴关系动态等关键表现指标的演变趋势,为理解ODI板球的动态变化提供了统计基础。
2024-06-17 stat.AP
Binary AddiVortes: (Bayesian) Additive Voronoi Tessellations for Binary Classification with an application to Predicting Home Mortgage Application Outcomes
Durham University(杜伦大学)
本文扩展AddiVortes模型至二分类,采用潜变量probit和数据增强技术,在抵押贷款审批预测中优于随机森林和BART,提升决策质量。
2025-03-18 cs.LG stat.AP stat.CO
Bayesian Nonparametric Dimensionality Reduction of Categorical Data for Predicting Severity of COVID-19 in Pregnant Women
Stony Brook University(石溪大学);Department of Obstetrics, Gynecology and Reproductive Medicine(妇产科与生殖医学系)
针对孕妇COVID-19临床研究代表性不足、多分类临床数据维度爆炸的问题,提出基于潜在高斯过程的贝叶斯非参数降维方法,用于预测孕妇COVID-19重症程度,准确率优于传统独热编码方法。
2021-09-27 cs.LG stat.AP
A Probabilistic Disease Progression Model for Predicting Future Clinical Outcome
Cornell(康奈尔大学);Electrical and Computer Eng, Cornell(康奈尔大学电气与计算机工程学院)
在这项工作中,我们考虑的问题,预测的过程中进行性疾病,如癌症或阿尔茨海默氏症。进展性疾病通常始于可能在诊断之前的轻微症状,每个患者都遵循自己的轨迹。患者轨迹表现出野生变异性,这可能与许多因素,如基因型,年龄或性别。另一层复杂性是,在现实生活中,每个患者可用的数据量和类型可能会有很大差异。例如,对于一名患者,我们可能没有既往病史,而对于另一名患者,我们可能在多个既往时间点获得了详细的临床评估。本文提出了一种概率模型,可以处理多种模式(包括图像和临床评估)和不规则时间和缺失条目的可变患者历史,以预测未来时间点的临床评分。我们使用S形函数来模拟潜在的疾病进展,这在我们的生成模型中引起了临床观察。我们实施了一个近似贝叶斯推理策略,建议的模型,以估计参数的数据从一个大的受试者群体。此外,贝叶斯框架使模型能够根据测试对象可能获得的历史观察结果自动微调其预测。我们将我们的方法应用于具有超过3000名受试者的纵向阿尔茨海默病数据集[23],并对不同场景下的预测性能进行了详细的实证分析,并与几个基准进行了比较。我们还演示了如何可以询问所提出的模型,以收集有关阿尔茨海默病的时间动态的见解。
2018-03-13 cs.CV cs.LG stat.ML
Predicting college basketball match outcomes using machine learning techniques: some results and lessons learned
KU Leuven(鲁汶大学)
大多数现有的预测NCAAB比赛的工作已经在统计方面。相信机器学习技术的能力,特别是分类学习器,以揭示特征的重要性并学习它们的关系,我们评估了一些不同的范例。在本文中,我们总结了我们的工作,指出属性似乎比模型更重要,而且预测质量似乎有一个上限。
2013-10-14 cs.LG stat.AP
Predicting Long-term Outcomes of Educational Interventions Using the Evolutionary Causal Matrices and Markov Chain Based on Educational Neuroscience
我们开发了一个基于进化因果矩阵(ECM)和马尔可夫链的预测模型,以预测教育干预对青少年发展的长期影响。特别是,我们创建了一个计算模型预测不同类型的道德榜样的故事对青少年志愿服务参与的纵向影响。我们通过比较预测结果和调查数据,检验了所建立的预测模型是否能够正确预测志愿服务参与率的长期纵向变化趋势。此外,我们研究了哪种类型的干预将最有效地促进服务参与,以及什么是最低的干预频率,以产生较大的影响。我们讨论了基于教育神经科学的教育干预的发展预测模型的影响。
2016-12-01 stat.AP
A Multiresolution Stochastic Process Model for Predicting Basketball Possession Outcomes
篮球比赛在空间和时间上不断发展,因为球员不断与队友,对方球队和球互动。然而,目前对篮球比赛结果的分析依赖于对比赛的离散化总结,这些总结将这种相互作用减少到得分,助攻和类似事件的统计。在本文中,我们提出了一个框架,使用光学球员跟踪数据来估计,在实时,预期的拥有结束时获得的点数。这个量,称为\textit{expected possession value}(EPV),来自一个随机过程模型的篮球控球的演变,我们模拟这个过程中的多个层次的分辨率,区分连续的,无限小的运动的球员,和离散的事件,如投篮尝试和失误。过渡内核估计使用分层的时空模型,共享信息的球员,同时保持计算处理非常大的数据集。除了估计EPV,这些模型揭示了新的见解球员的决策倾向作为他们的空间策略的功能。
2016-02-25 stat.AP stat.CO
Predicting replicability -- analysis of survey and prediction market data from large-scale forecasting projects
已发表研究的可重复性已成为科学政策中的一个重要议题。已经进行了一些大规模的复制项目,以衡量特定学术领域的整体可重复性。在这里,我们对四项研究的数据进行了分析,这些研究试图预测社会和行为科学中复制项目的结果,使用参与预测市场并回答调查的人类专家。由于在每项单独的研究中重复和预测的结果数量很少,因此汇集数据提供了一个机会,可以在更高的功率下评估关于预测市场和调查表现的假设。总的来说,同行的信念引起了103个已发表的研究结果的复制结果。我们发现,科学界内部有关于科学发现可复制性的信息,调查和预测市场都可以用来获取和汇总这些信息。我们的研究结果表明,预测市场可以以73%的准确率(n=103)确定直接复制的结果。预测市场价格和平均调查响应都与结果相关(分别为0.581和0.564,p <0.001)。我们还发现了原始结果和复制结果的p值之间的显着关系。该数据集通过R包pooledmaRket提供,可用于进一步研究社区对调查和预测市场中得出的复制结果的信念。
2021-01-31 stat.AP
Causal machine learning for predicting treatment outcomes
LMU Munich(慕尼黑大学);Munich Center for Machine Learning(慕尼黑机器学习中心);University of Cambridge(剑桥大学);TU Munich(慕尼黑工业大学);Helmholtz Munich(慕尼黑亥姆霍兹中心);Harvard Medical School(哈佛医学院);Cambridge Centre for AI in Medicine(剑桥人工智能医学中心);The Alan Turing Institute(阿兰·图灵研究所)
本文探讨了因果机器学习在预测治疗结果中的优势与步骤,强调其个体化治疗效果估计能力,并为可靠临床应用提供建议。
2024-10-11 cs.LG stat.AP stat.ML
Predicting VBAC Outcomes from U.S. Natality Data using Deep and Classical Machine Learning Models
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本研究利用美国CDC 2017-2023年64万余例TOLAC病例数据,训练逻辑回归、XGBoost和MLP模型预测VBAC结局,其中MLP性能最优,证实常规孕早期变量可构建实用的VBAC预测模型,为临床决策提供支持。
2025-07-28 cs.LG stat.AP
Forecasting football matches by predicting match statistics
本文认为,使用观察到的和预测的比赛统计数据作为输入预测的足球比赛的结果。它表明,如果它有可能提前知道的比赛统计数据,高度翔实的预测比赛结果可以。虽然,在实践中,比赛统计数据从来没有在比赛前提供,这导致了一个简单的哲学。如果比赛统计数据可以在比赛前预测,并且如果这些预测足够准确,则可以进行信息丰富的比赛预测。结果表明,广义攻击性能(GAP)评级,在最近的一篇论文中介绍,提供了一个合适的方法,提前预测比赛统计数据,他们是信息丰富,足以提供信息以外,反映在赔率。当预测与两种投注策略相结合时,可以证明长期和稳健的赌博利润。
2020-01-24 stat.AP
Predicting Clinical Outcomes in Glioblastoma: An Application of Topological and Functional Data Analysis
多形性胶质母细胞瘤(GBM)是一种侵袭性的人类脑癌,在癌症生物学领域正在积极研究。它的快速发展和获得分子数据的相对时间成本使得其他容易获得的数据形式,如图像,成为患者可行措施的重要资源。我们的目标是在统计学设置中利用从GBM患者拍摄的医学图像所提供的信息。为此,我们设计了一种新的统计量-平滑欧拉特征变换(SECT)-量化肿瘤的磁共振图像(MRI)。由于其定义良好的内积结构,SECT可以用于更广泛的功能和非参数建模方法比其他先前提出的拓扑汇总统计。当应用于GBM患者队列时,我们发现SECT比现有的肿瘤形状定量和常见的分子检测更能预测临床结局。具体来说,我们证明,SECT功能单独解释更多的GBM患者生存的差异比基因表达,体积功能,形态特征。因此,从我们的研究结果中得出的主要结论是双重的。首先,他们认为图像包含有价值的信息,可以在临床预后和其他医疗决策中发挥重要作用。其次,他们表明,SECT是一个可行的工具,更广泛的研究医学影像信息学。
2019-09-12 stat.AP
The Application of Machine Learning Techniques for Predicting Results in Team Sport: A Review
Nagoya Institute of Technology(名古屋工业大学);Massey University(梅西大学)
在过去的二十年中,机器学习(ML)技术越来越多地用于预测体育比赛结果。在本文中,我们回顾了使用ML预测团队运动结果的研究,涵盖了1996年至2019年的研究。我们试图回答五个关键的研究问题,同时广泛调查这一领域的论文。本文提供了有关ML算法倾向于在该领域使用的见解,以及那些开始出现成功结果的算法。我们的研究突出了成功研究的定义特征,并确定了在此应用领域评估准确性结果的强大策略。我们的研究考虑了在不同运动中实现的准确性,并探讨了一些团队运动的结果可能比其他运动更难预测的概念。最后,我们的研究揭示了所有调查论文未来研究方向的共同主题,寻找差距和机会,同时为该领域未来的研究人员提出建议。
2019-12-26 cs.LG stat.AP stat.ML
Predicting Formula 1 Race Outcomes: Decomposing the Roles of Drivers and Constructors through Linear Modeling
本研究将RAPM方法扩展应用于F1赛事,采用带LOESS平滑的时间衰减岭回归拆分混动引擎时代车手与车队对比赛结果的影响,发现车队贡献占64%方差,并构建了跨车队车手比较的稳健框架。
2025-07-31 stat.AP
RNN-based counterfactual prediction, with an application to homestead policy and public schooling
本文提出了一种方法来估计随着时间的推移的结果的政策干预的效果。我们训练递归神经网络(RNN)的历史控制单元的结果,学习一个有用的表示预测未来的结果。然后将控制单元的学习表示应用于治疗单元以预测反事实结果。RNN的结构专门用于利用面板数据中的时间依赖性,并且能够学习控制单元结果之间的负和非线性相互作用。我们应用的方法来估计美国的长期影响的问题。宅基地政策对公立学校的支出。
2021-05-17 econ.EM stat.AP stat.ML
Exploiting oddsmaker bias to improve the prediction of NFL outcomes
准确预测体育赛事的结果一直是许多寻求利润最大化的团体的目标。使这一点具有挑战性的是,一个事件的结果可能会受到许多因素的影响,这些因素会随着时间的推移而动态变化。奇数制造者试图通过使用算法和主观方法来估计这些因素,以设定价差。然而,众所周知,人类和算法决策都可能存在偏差,因此本文探讨了赔率制造者偏差是否可以以剥削的方式使用,以提高NFL比赛结果的预测。真实世界的赌博数据被用来在不同的假设下训练和测试不同的预测模型。结果表明,在本文测试的条件下,以剥削方式利用oddsmaker偏差的方法表现最好。这些发现表明,以剥削的方式利用人类和算法决策偏差可能有助于预测竞争性事件的结果,并可能为那些对结果有经济利益的人带来更多的利润。
2017-10-19 stat.AP stat.ML
Explainable Machine Learning for Predicting Homicide Clearance in the United States
University of Trento(特伦托大学)
目的:探索可解释机器学习在预测和检测美国国家和州一级已清除的杀人案司机方面的潜力。研究方法:首先,使用谋杀责任项目的数据,比较了九种算法方法,以评估在预测已清除的凶杀案方面的最佳表现。然后使用所有算法中最准确的算法(XGBoost)来预测状态下的清除结果。第二,SHAP,一个可解释的人工智能的框架,是用来捕捉最重要的功能,在解释清除模式在国家和州一级。结果:在国家一级,XGBoost展示了整体最佳性能。按状态检测实质性预测变异性。在可解释性方面,SHAP强调了几个特征在持续预测调查结果方面的相关性。这些因素包括杀人情况、武器、受害者的性别和种族,以及涉案罪犯和受害者的人数。结论:可解释的机器学习被证明是预测凶杀清除率的一个有用框架。SHAP的结果表明,在文献中出现的两个理论观点更有机的整合。此外,司法异质性突出了制定特设国家一级战略,以提高警察在清除杀人案的表现的重要性。
2022-03-09 cs.AI cs.LG econ.EM
Simulating outcomes of interventions using a multipurpose simulation program based on the Evolutionary Causal Matrices and Markov Chain
预测干预措施的长期结果对于教育和社会决策过程是必要的,因为这些过程可能会对我们的社会产生广泛的长期影响。然而,由于缺乏时间和资源,基于大规模实验的数据进行这种预测可能具有挑战性。为了解决这个问题,基于进化因果矩阵和马尔可夫链的计算机模拟可以用来预测相对小规模的实验室数据的长期结果。在本文中,我们介绍了实现计算机模拟模型的Python类,并介绍了一些试点实现,演示了如何利用该模型来预测不同干预措施的结果。我们还介绍了类结构的模拟模块,既有真实的实验数据,又有基于社会心理学理论制定的假设数据。本研究中开发和测试的类为研究人员和从业人员提供了一种可行和实用的方法来前瞻性地模拟干预结果。
2017-11-26 cs.CE cs.CY cs.SI
Kernel-Based Learning of Chest X-ray Images for Predicting ICU Escalation among COVID-19 Patients
University of Michigan(密歇根大学);Department of Biostatistics(生物统计学系)
本文提出GLIMARK方法,通过多核学习扩展以处理指数族输出变量,用于预测新冠患者ICU升级并提取临床特征。
2026-02-10 cs.LG stat.AP stat.ML
Predicting competitions by combining conditional logistic regression and subjective Bayes: An Academy Awards case study
本文提出结合条件逻辑回归与主观贝叶斯的方法预测竞赛结果,以2019年奥斯卡最佳影片奖为例验证其有效性,并探讨在线应用部署策略。
2024-02-24 stat.AP
Similarity-based Random Survival Forest
在大型数据库中预测事件发生时间结果可能是一项具有挑战性但重要的任务。其中一个例子是预测重症监护室(ICU)患者的临床结局时间,这有助于支持关键的医疗决策。在这种情况下,到感兴趣事件的时间可以是例如存活时间或从ICU内观察到的疾病/小病恢复的时间。从电子健康记录(EHR)的摄取产生的大量健康数据集是非常异构的,因为患者在特征向量和结果之间的关系上可能非常不同,这给预测增加了更多的噪声而不是信息。在本文中,我们提出了一种改进的随机森林方法,用于识别相似病例的生存数据,以提高预测事件发生时间结局的准确性;这种方法可以应用于各种环境,包括ICU数据库。我们还介绍了一个适应我们的方法在依赖删失的情况下。我们所提出的方法是证明在重症监护医学信息集市(MIMIC-III)数据库,此外,我们目前的属性,我们的方法,通过全面的模拟研究。在我们进行的各种分析中,与单独的随机生存森林相比,将相似性引入随机生存森林方法确实提供了更高的预测准确性。
2019-08-05 stat.AP stat.CO
A Statistical Model for Stroke Outcome Prediction and Treatment Planning
Xerox Research Centre India (XRCI)(施乐印度研究中心(XRCI));St. John’s Medical College Hospital(圣约翰医学院附属医院)
脑卒中是世界范围内死亡和长期残疾的主要原因。中风的预测结果模型对于个性化治疗、康复计划和对照临床试验是有价值的。在本文中,我们设计了一个新模型来预测短期结果,即几种治疗方法的假定治疗窗口。我们基于回归的模型具有参数形式,旨在解决医学数据集中常见的许多挑战,如高度相关的变量和类别不平衡。从经验上讲,我们的模型在预测短期结果和推断改善结果的最有效治疗方法方面优于最知名的先前模型。
2016-02-22 cs.LG stat.AP