Воронежская область, Россия
Логистическая регрессия является одним из наиболее распространённых методов анализа бинарных исходов в медицине и биологии. Метод обеспечивает вероятностную интерпретацию результата и позволяет оценивать вклад факторов риска через отношение шансов. В статье предложена воспроизводимая методика построения и валидации логистической модели для медицинских данных, включающая этапы предобработки, обучения и оценки качества по ROC-анализу и калибровке вероятностей. Практическая часть продемонстрирована на задаче прогнозирования сахарного диабета. Полученные результаты подтверждают пригодность логистической регрессии как интерпретируемого инструмента поддержки принятия медицинских решений.
логистическая регрессия, биостатистика, ROC-анализ, AUC, медицинские данные, факторы риска
1. Лапач С. Н. Статистические методы в медико-биологических исследованиях с использованием Excel Эксперим. исслед. Клин. испытания. Анализ фармац. рынка / С.Н. Лапач, А.В. Чубенко, П.Н. Бабич. – 2-е изд., доп., с магнит. носителем. – Киев : МОРИОН, 2001. – 407 с. ил.; 26. – (Медицина и статистика); ISBN 966-7632-33-4.
2. Сахарный диабет : диагностика, лечение, профилактика : руководство / И. И. Дедов [и др.] ; под ред. И. И. Дедова, М. В. Шестаковой. – Москва : Мед. информ. агентство, 2011. – 801 с. : цв. ил., портр. – ISBN 978-5-9986-0061-6.
3. Clinical prediction models: A practical approach to development, validation, and updating Ewout W. Steyerberg (2019). Second Edition, Springer Series Statistics for Biology and Health. Cham: Springer. 558 pages. ISBN: 978-3-030-16398-3. https://doi.org/10.1007/978-3-030-16399-0.
4. Kim J. H. Multicollinearity and misleading statistical results // Korean Journal of Anesthesiology. – 2019. – Vol. 72, No. 6. – P. 558–569. DOI: https://doi.org/10.4097/kja.19087
5. Lachiche N., Flach P. Improving accuracy and cost of two-class and multi-class probabilistic classifiers using ROC curves // Proceedings of the Twentieth International Conference on Machine Learning (ICML-2003). – Washington : AAAI Press, 2003. – Vol. 20. – P. 416–424.
6. Kuhn M., Johnson K. Applied Predictive Modeling. – New York : Springer, 2013. – 600 p. DOI: https://doi.org/10.1007/978-1-4614-6849-3
7. Коробова Л. А., Эйнуллаев Т. А. О., Тэн Р. В. Системный подход при решении прикладных медицинских диагностических задач // Моделирование систем и процессов. – 2024. – Т. 17, № 3. – С. 52–61. – DOI:https://doi.org/10.12737/2219-0767-2024-50-59.
8. Арапов Д. В., Курицын В. А., Скоробогатов С. А. Автоматизированная мобильная система принятия решений для использования в специальной медицине // Моделирование систем и процессов. – 2024. – Т. 17, № 3. – С. 7–16. – DOI:https://doi.org/10.12737/2219-0767-2024-5-13.
9. Юрчишина М. В., Бушмелева К. И. Алгоритмическая модель СППР «Оптимальный учебный план» // Моделирование систем и процессов. – 2024. – Т. 17, № 4. – С. 84–95. – DOI:https://doi.org/10.12737/2219-0767-2024-17-4-84-95.
