Previsão baseada em aprendizado de máquina imune do diagnóstico e estado de doença na esquizofrenia e transtorno bipolar: Como o viés de dados e o overfitting foram evitados

Brain Behav Immun. 2024 Dec 17:S0889-1591(24)00725-6. doi: 10.1016/j.bbi.2024.11.037. Publicação online antes da impressão.

RESUMO

Em uma carta criticando nosso manuscrito, Takefuji destaca armadilhas gerais em aprendizado de máquina, sem se envolver diretamente com nosso estudo. Os comentários fornecem conselhos genéricos em vez de uma crítica específica de nossos métodos ou descobertas. Apesar de levantar tópicos importantes, as preocupações refletem riscos padrão no aprendizado de máquina, dos quais estávamos cientes e abordamos explicitamente em nossas análises. Aplicamos métodos rigorosos, incluindo validação cruzada aninhada, amostragem estratificada e métricas de desempenho abrangentes, para mitigar sobreajuste, desequilíbrio de classes e possíveis viéses. Métodos estatísticos tradicionais, como ANCOVA e correlações de Spearman, foram empregados e complementaram nossa análise de aprendizado de máquina para validar descobertas. Preocupações sobre colinearidade, causalidade e pré-processamento de dados foram reconhecidas e abordadas conforme detalhado no manuscrito e materiais suplementares. Embora a crítica destaque questões críticas no aprendizado de máquina, não identifica erros específicos em nosso estudo. Concluímos que nossas análises estão alinhadas com as melhores práticas e abordam suficientemente as armadilhas potenciais discutidas no comentário.

PMID:39701331 | DOI:10.1016/j.bbi.2024.11.037