Сравнение традиционных статистических методов и машинного обучения в медицине: диагностика, разработка лекарств и лечение

Футурологи предсказывали, что новые автономные технологии, основанные на машинном обучении, существенно повлияют на здравоохранение. Машинное обучение ориентировано на максимально точное прогнозирование, тогда как традиционные статистические модели предназначены для выявления связей между переменными. Преимущества машинного обучения — гибкость и масштабируемость по сравнению с традиционными статистическими подходами, что делает его применимым для ряда задач, таких как диагностика, классификация и прогнозирование выживаемости. Однако значительная часть анализа на основе машинного обучения по-прежнему разрозненна и лишена целостной структуры. Необходима оценка и сравнение эффективности хорошо разработанных традиционных статистических методов и машинного обучения по таким исходам у пациентов, как выживаемость, ответ на лечение и исходы, сообщаемые пациентами (Patient-Reported Outcomes, PROs). В этой статье мы сравниваем полезность и ограничения традиционных статистических методов и машинного обучения при их применении в медицине. Традиционные статистические методы, по-видимому, более полезны, когда число наблюдений значительно превышает число изучаемых переменных и когда есть существенные априорные знания по теме, например в общественном здравоохранении. Машинное обучение может быть более уместным в высокоинновационных областях с огромными массивами данных, таких как омиксные технологии, радиодиагностика, разработка лекарств и персонализированное лечение. Предпочтение следует отдавать интеграции обоих подходов, а не одностороннему выбору одного из них.