2) кластерный анализ
3) факторный анализ
4) многомерное шкалирование
Регрессионный анализ относится к методам предсказания, поскольку позволяет оценивать значение зависимой переменной по совокупности известных факторов. В модели устанавливается количественная связь между результатом и предикторами: например, по возрасту, уровню артериального давления, концентрации глюкозы и другим показателям можно прогнозировать риск осложнения или числовое значение будущего параметра. Коэффициенты регрессии характеризуют вклад отдельных факторов, а качество прогноза оценивают по ошибке, коэффициенту детерминации, чувствительности и специфичности либо другим показателям в зависимости от типа модели.
В медицинской кибернетике применяют линейную регрессию для количественных исходов, логистическую регрессию для вероятности события с двумя исходами и регрессию Кокса для прогнозирования времени до наступления события. Кластерный анализ, факторный анализ и многомерное шкалирование преимущественно относятся к методам выявления структуры данных: они объединяют объекты, уменьшают размерность или отображают сходство признаков, но сами по себе не формируют прогностическую модель для заранее заданного исхода. Поэтому именно регрессионный анализ является правильным ответом.
| Метод | Основная задача | Тип результата | Пример медицинского применения | Прогностическая функция |
|---|---|---|---|---|
| Линейная регрессия | Оценка зависимости количественного исхода от факторов | Предсказанное числовое значение | Прогноз уровня глюкозы или объёма лёгких | Основной вариант количественного прогнозирования |
| Логистическая регрессия | Оценка вероятности бинарного события | Вероятность исхода и принадлежность к классу | Риск инфаркта, осложнения или положительного теста | Прогнозирование категориального исхода |
| Регрессия Кокса | Анализ времени до наступления события | Относительный риск и функция выживаемости | Прогноз рецидива или летального исхода | Прогноз с учётом цензурированных наблюдений |
| Кластерный анализ | Разделение объектов на однородные группы без заранее заданных классов | Кластеры и степень сходства | Выделение фенотипов пациентов с хроническим заболеванием | Сам по себе не является методом прогноза исхода |
| Факторный анализ | Выявление скрытых латентных факторов, объясняющих корреляции признаков | Факторы и факторные нагрузки | Определение компонентов качества жизни или синдромов | Снижает размерность, но не обязательно предсказывает результат |
| Многомерное шкалирование | Представление объектов в пространстве малой размерности по матрице расстояний | Координаты и визуальная карта сходства | Сравнение профилей симптомов или диагностических тестов | Используется для визуализации структуры данных |
Прогностическая модель должна быть построена на обучающей выборке и проверена на независимых данных, чтобы оценить её обобщающую способность. При выборе регрессионного подхода учитывают тип зависимой переменной, наличие пропущенных значений, взаимную корреляцию предикторов и риск переобучения. В клинических задачах особенно важно различать статистическую связь и причинность: высокий прогностический вклад признака не доказывает, что его изменение непосредственно вызывает исход. Надёжность модели повышают калибровка, внешняя валидация и клиническая интерпретируемость результатов.