Cristin-resultat-ID: 2007950
Sist endret: 7. mars 2022, 12:44
NVI-rapporteringsår: 2021
Resultat
Vitenskapelig artikkel
2021

Tuning parameter calibration for personalized prediction in medicine

Bidragsytere:
  • Shih-Ting Huang
  • Yannick Düren
  • Kristoffer Herland Hellton og
  • Johannes Lederer

Tidsskrift

Electronic Journal of Statistics
ISSN 1935-7524
e-ISSN 1935-7524
NVI-nivå 1

Om resultatet

Vitenskapelig artikkel
Publiseringsår: 2021
Publisert online: 2021
Trykket: 2021
Volum: 15
Hefte: 2
Sider: 5310 - 5332
Open Access

Beskrivelse Beskrivelse

Tittel

Tuning parameter calibration for personalized prediction in medicine

Sammendrag

Personalized prediction is of high interest in medicine; potential applications include the prediction of individual drug responses or risks of complications. But typical statistical pipelines such as ridge estimation combined with cross-validation ignore the heterogeneity among the patients and, therefore, are not suited for personalized prediction. We, therefore, introduce an alternative ridge-type pipeline that can minimize the prediction error of each patient individually. We show that our pipeline is optimal in terms of oracle inequalities, fast, and highly effective both in simulations and on real data.

Bidragsytere

Shih-Ting Huang

  • Tilknyttet:
    Forfatter
    ved Ruhr-Universität Bochum

Yannick Düren

  • Tilknyttet:
    Forfatter
    ved Ruhr-Universität Bochum

Kristoffer Herland Hellton

  • Tilknyttet:
    Forfatter
    ved Statistisk analyse, maskinlæring og bildeanalyse SAMBA ved Norsk Regnesentral

Johannes Lederer

  • Tilknyttet:
    Forfatter
    ved Ruhr-Universität Bochum
1 - 4 av 4