近年来,“超级学习者(Super Learner)”与“双重稳健估计器”的组合,逐渐成为因果推断领域的一把利器。那么,这个组合到底强在哪里?是否真的需要集成“一大堆”算法?今天,我们通过一篇2025年发表于《Epidemiology》(医学二区,IF=4.4)的研究,来一探究竟。
今天我们分享一篇发表在《British Journal of Anaesthesia》(医学一区,IF=9.2)杂志上的研究论文,该研究旨在对一个先前开发的随机森林机器学习模型进行前瞻性验证,该模型用于预测住院患者的术后死亡率,并进一步评估将其集成到电子健康记录系统中作为临床决策支持工具的可行性。
斯坦福团队在《Medical Image Analysis》(医学一区,IF=11.8)上发表的《Longitudinal self-supervised learning》一文,从交叉视角上为解决这一经典问题提供了全新范式。
谁说公共数据库不能发高分文章?这篇2026年首个登上JAMA顶刊的文章以NHANES数据为自我报告的BMI进行纠偏,估算并预测了美国不同群体的肥胖流行率。这种研究思路可不常见,NHANES的开发简直没有上限,不愧是它!
刷知乎,看到一篇文章,说的是经济学研究基本都是线性模型,是否合理的?引发了很多网友的讨论。今天,我也想说说我们医学数据,线性模型,是否满足它所需要的“线性”的条件。
2026年1月10日,《Child Abuse & Neglect》(心理学二区,IF=3.4)刊登了一篇前沿因果推断研究论文,评估了青春期家庭外照料安置(OOHP)对受虐待青少年健康风险行为的影响。
2025年12月22日,福建医科大学学者用CHARLS数据库,在期刊《International Journal of Surgery》(医学二区 IF=10.3)发表了一篇研究论文,研究旨在评估虚弱指数(FI35)在不同血糖状态下对髋部骨折风险的预测价值,并探讨虚弱与髋部骨折之间的关联是否因血糖状态的不同而存在差异。
很多因果问题无法通过随机对照试验解决,如何从观察性数据中得出可靠的因果结论,一直是方法学上的挑战。近年来,一种源自计量经济学的方法——断点回归设计,正逐渐受到广泛关注。
在观察性研究中,估计暴露与结局间的因果效应,关键在于控制混杂。 当暴露不随时间变化时,如性别、基因型等,可采用匹配、回归校正、倾向性评分等传统方法进行控制。
Zstats交流群
联系助教
请输入助教告诉您的积分券
如果不填写积分券,将直接使用当前余额支付
请稍候,正在为您生成支付订单
请使用扫描二维码完成支付
二维码获取失败
支付二维码获取失败,请点击重新获取
请稍候,正在为您完成支付
正在使用积分券兑换,然后完成支付 正在使用当前余额完成支付
您的订单已支付完成,页面将在 秒后自动关闭
支付过程中出现错误,请重新选择支付方式