Prediktivní modely nás provázejí téměř všude – od zdravotnictví po ekonomiku. Vědci, lékaři i inženýři se je snaží neustále zpřesňovat. Jenže přesnost sama o sobě někdy nestačí. Model může být „blízko pravdě“, ale přesto se s ní neshodovat. A právě tady přichází na scénu nový přístup Taeho Kima a jeho týmu.

Jejich metoda MALP vychází z myšlenky, že nejde jen o chybu, kterou se snažíme minimalizovat, ale o míru souhlasu mezi tím, co spočítáme, a tím, co skutečně naměříme. Kim vysvětluje, že tradiční postupy, jako je metoda nejmenších čtverců, se soustředí na to, aby byl průměrný rozdíl co nejmenší. MALP však hledá něco víc – aby se předpovědi s reálnými hodnotami shodovaly po celé čáře.

Od korelace k opravdové shodě

Většina lidí si při slově „shoda“ vybaví korelaci – statistickou veličinu, která říká, jak silně spolu dvě proměnné souvisejí. Jenže i silná korelace nemusí znamenat, že se data trefují do stejné linie. Dva soubory údajů mohou být pevně spjaté, ale mít zcela jiný měřítkový vztah.

Zdroj: Shutterstock

MALP proto pracuje s takzvaným konkordantním korelačním koeficientem (CCC), který zohledňuje nejen souvislost, ale i to, jak přesně data leží kolem ideální 45° přímky – dokonalé shody mezi předpovědí a skutečností.

Kim shrnuje princip jednoduše: „Nejde o to, aby body byly blízko. Jde o to, aby ležely tam, kde mají být.“

Tým metodu vyzkoušel nejen v simulacích, ale i na skutečných datech. Jedním z pokusů byla studie z oftalmologie, která porovnávala dva přístroje pro snímání sítnice – starší Stratus OCT a modernější Cirrus OCT. Lékaři potřebují převádět výsledky mezi těmito přístroji tak, aby byla měření srovnatelná.

Pomocí MALP se podařilo dosáhnout výrazně lepší shody mezi odhadem a reálnými hodnotami než při použití klasické metody nejmenších čtverců. Ta sice dosahovala menší průměrné chyby, ale souhlas obou datových sad byl slabší.

Podobně dopadl i druhý experiment – předpověď procenta tělesného tuku na základě běžných tělesných měření. MALP zde opět vykázal vyšší míru shody s naměřenou realitou, a to i v případech, kdy se jiné metody jevily statisticky přesnější.

Kam může nová metoda vést

Pokud chceme, aby se naše modely nejen mýlily méně, ale odpovídaly skutečnosti věrněji, MALP nabízí nový způsob, jak na to.

Jeho využití se přitom neomezuje jen na medicínu. Může zlepšit predikce v biologii, ekonomii, strojovém učení, či dokonce ve společenských vědách, kde se modeluje lidské chování. A tam, kde nejde jen o přesnost, ale o důvěryhodnou shodu. Například u výsledků volebních průzkumů nebo epidemiologických modelů by mohl mít přístup Maximum Agreement Linear Predictor zásadní dopad.

Kim se svým týmem plánuje metodu rozšířit i mimo oblast lineárních vztahů. „Zatím zůstáváme v rámci lineárních prediktorů, protože jsou snadno použitelné a pochopitelné. Ale cílem je vytvořit Maximum Agreement Predictor, který nebude omezený žádnou rovnicí,“ vysvětluje.