Un equipo internacional liderado por Taeho Kim de la Universidad de Lehigh ha desarrollado el Predicor Lineal de Acuerdo Máximo (MALP), un nuevo método que alinea las predicciones estrechamente con los valores del mundo real. Al maximizar el Coeficiente de Correlación de Concordancia, MALP supera a los enfoques tradicionales en acuerdo, particularmente en aplicaciones de salud y biología. Pruebas en escaneos oculares y datos de grasa corporal demuestran sus ventajas sobre los métodos de mínimos cuadrados.
Matemáticos de la Universidad de Lehigh y colaboradores internacionales han introducido el Predicor Lineal de Acuerdo Máximo (MALP), una técnica diseñada para mejorar las previsiones en campos como la investigación en salud, la biología y las ciencias sociales. Liderado por el profesor asistente Taeho Kim, el método se centra en maximizar el Coeficiente de Correlación de Concordancia (CCC), que mide qué tan estrechamente se alinean los valores predichos y observados a lo largo de una línea de 45 grados en un gráfico de dispersión, enfatizando tanto la precisión como la exactitud.
Los métodos tradicionales, como el enfoque de mínimos cuadrados, buscan principalmente minimizar los errores promedio, pero pueden no garantizar una fuerte alineación con los valores reales. "A veces, no solo queremos que nuestras predicciones estén cerca; queremos que tengan el mayor acuerdo con los valores reales", explica Kim. Él señala que, aunque la correlación de Pearson detecta relaciones lineales, no se enfoca específicamente en la alineación de 45 grados, a diferencia del CCC, introducido por Lin en 1989.
Para probar MALP, los investigadores utilizaron datos simulados y mediciones del mundo real. En un estudio de oftalmología, compararon predicciones para lecturas de Stratus OCT a partir de datos de Cirrus OCT, utilizando imágenes de 26 ojos izquierdos y 30 ojos derechos. MALP produjo predicciones que coincidían más estrechamente con los valores reales de Stratus, aunque los mínimos cuadrados redujeron ligeramente mejor los errores promedio, ilustrando un equilibrio.
Un patrón similar surgió con datos de grasa corporal de 252 adultos, incorporando mediciones como peso y tamaño del abdomen para estimar el porcentaje de grasa corporal. MALP volvió a destacar en acuerdo, mientras que los mínimos cuadrados minimizaron los errores de manera más efectiva. Kim enfatiza seleccionar herramientas según las prioridades: MALP para alineación, métodos tradicionales para reducción de errores.
El trabajo, detallado en un preimpreso de arXiv fechado el 5 de septiembre de 2025 (DOI: 10.48550/arXiv.2304.04221), podría mejorar las predicciones en medicina, salud pública, economía e ingeniería. Extensiones futuras buscan ampliar más allá de los predictores lineales hacia un Predicor de Acuerdo Máximo general.