Previsão de diagnóstico e estado de doença em esquizofrenia e transtorno bipolar baseada em aprendizado de máquina imune: 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 antecipada.

RESUMO

Em uma carta critiquando nosso manuscrito, Takefuji destaca armadilhas gerais no aprendizado de máquina, sem realmente se envolver 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 a superajustagem, desequilíbrio de classes e viéses potenciais. Métodos estatísticos tradicionais, como ANCOVA e correlações de Spearman, foram empregados e complementaram nossa análise de aprendizado de máquina para validar as descobertas. Preocupações sobre colinearidade, causalidade e pré-processamento de dados foram reconhecidas e abordadas detalhadamente no manuscrito e materiais complementares. Embora a crítica destaque questões críticas no aprendizado de máquina, ela não identifica erros específicos em nosso estudo. Concluímos que nossas análises estão alinhadas com as melhores práticas e abordam suficientemente os riscos potenciais discutidos no comentário.

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