AI机器学习:体育消费实验Uplift因果模型研究

2019年Metalearners for Estimating Heterogeneous Treatment Effects using Machine Learning的发表引发了世界因果推断理论的研究热情。目前,机器学习与因果推断论中的许多统计模型已被广泛应用。本文采用文献资料法、数理统计分析方法、案例研究法等研究方法,研究推演现代因果推断理论中较为知名的Uplift因果模型在体育中的应用场景,其中Uplift因果模型包括S-learner(单模型)、T-learner(双模型)、X-learner(交叉训练模型)。结果显示,在体育消费随机对照实验中应用Uplift因果模型,可以基于基本模型进一步推导出各变量因素之间的因果关系,验证并分析自变量对因变量变化的影响;率先在体育消费市场研究与实验中应用Uplift因果模型可以填补我国体育消费实验数据分析方法的空缺。

基于uplift模型的2型糖尿病用药处方个性化疗效评价

目的应用uplift模型评价现实世界2型糖尿病用药处方个性化疗效,识别受益个体特征。方法以2012年1月1日至2017年12月31日山东省胶南市“全人群高血压、糖尿病综合防治项目”中的2型糖尿病管理人群为研究对象。干预组三种用药处方包括二甲双胍、格列吡嗪及二甲双胍与格列吡嗪联合用药;对照组为不用药组;结局为观察期内最后一次FPG测量值是否达标。根据倾向得分匹配法,按照1∶1匹配,模拟随机对照试验,用uplift模型评价个性化疗效,并识别受益个体特征。结果队列共纳入5652人,年龄(64.20±11.48)岁;男性2239名,占比39.61%;二甲双胍、格列吡嗪及联合用药组人数分别为1707人、321人及535人,不用药组3089人。3种降糖处方处理组和对照组的倾向性评分在匹配后基本达到平衡,各组血糖控制率与不用药组差异均无统计学意义。但uplift模型个性化疗效评价显示,三种降糖处方分别对组内68.59%、65.73%及51.89%患者有效,净效益增长较随机干预分别提高8.24%、9.60%和10.53%。结论uplift模型有助于评价个性化效应,为2型糖尿病个性化用药的受益个体特征识别提供参考。