Como introduzir suavemente epidemiologistas / colegas de saúde pública na modelagem preditiva avançada?

Vindo de um background em ciências sociais e epidemiologia, meus colegas de trabalho foram treinados em regressão de mínimos quadrados, regressão logística e análise de sobrevivência. Eles gostam de ver intervalos de confiança de 95% e valores de p com os coeficientes de parâmetro e desconfiam das ferramentas preditivas mais atuais, como redes neurais, CART, empacotamento e reforço, além de técnicas de regressão penalizadas.

Eu vou pesar como um epidemiologista.

Percebo a inércia à medida que pesquisadores e profissionais da área da saúde passam para a gerência intermediária e mais além e ficam fora de contato com os novos desenvolvimentos nas estatísticas.

Primeiro, eu aconselho fortemente que você não assuma que isso é simplesmente inércia, seja na forma da disciplina que não deseja adotar novas técnicas, seja nos colegas de trabalho que estão perdendo contato com os novos desenvolvimentos estatísticos. Você pode ir a conferências de epidemiologia acadêmica em que um trabalho novo e muito metodologicamente sofisticado está sendo realizado, e ainda não necessariamente encontra muita coisa na modelagem preditiva.

A dica está no nome. Modelagem preditiva .

A epidemiologia, como um campo, não está particularmente interessada em previsão por si mesma. Em vez disso, seu foco está no desenvolvimento de explicações etiológicas para os padrões de doenças observados em uma população. Os dois são relacionados, mas distintos, e isso geralmente leva a uma desconfiança filosófica das técnicas mais modernas de classificação e previsão que tentam puramente maximizar o impacto preditivo de um modelo. No extremo disso, estão as pessoas que pensam que a seleção de variáveis ​​deve ser realizada principalmente com o uso de algo como um gráfico acíclico direcionado, que pode ser considerado o oposto de onde a modelagem preditiva está indo.

Isso resulta em não fazer parte de seus antecedentes, não ser algo que eles encontram muito na literatura e ser perfeitamente franco, uma alta probabilidade de que sua exposição a isso tenha sido feita por pessoas que realmente não entendem os problemas que estão tentando resolver.

Este, nos comentários, é um exemplo perfeito:

Isso impressiona algumas pessoas - o fato de introduzirmos intencionalmente um viés na regressão penalizada para melhorar a precisão preditiva

Quase todos os epidemiologistas que conheço, se você os escolher, escolheriam uma redução no viés em relação a um aumento na precisão.

Isso não quer dizer que nunca seja mencionado. Há momentos em que modelos preditivos são usados ​​- geralmente em casos clínicos em que a previsão do resultado desse paciente em particular é de interesse considerável, ou detecção de surtos, em que essas técnicas são úteis porque não sabemos o que está por vir e não podemos tornar etiológicos. argumentos. Ou quando a previsão realmente é o objetivo - por exemplo, em muitos modelos de estimativa de exposição. Eles são apenas um pouco de nicho no campo.