Ett internationellt team ledd av Taeho Kim vid Lehigh University har utvecklat Maximum Agreement Linear Predictor (MALP), en ny metod som alignar förutsägelser nära verkliga värden. Genom att maximera Concordance Correlation Coefficient överträffar MALP traditionella metoder i överensstämmelse, särskilt i hälso- och biologiapplikationer. Tester på ögonscanningar och kroppsfett data visar dess fördelar jämfört med minsta kvadratmetoder.
Matematiker från Lehigh University och internationella samarbetspartners har introducerat Maximum Agreement Linear Predictor (MALP), en teknik utformad för att förbättra prognoser inom områden som hälsoforskning, biologi och samhällsvetenskap. Ledd av biträdande professor Taeho Kim fokuserar metoden på att maximera Concordance Correlation Coefficient (CCC), som mäter hur nära förutsagda och observerade värden alignar längs en 45-graders linje i ett spridningsdiagram, med betoning på både precision och noggrannhet.
Traditionella metoder, som minsta kvadraters approach, siktar främst på att minimera genomsnittliga fel men kanske inte säkerställer stark alignering med faktiska värden. "Ibland vill vi inte bara att våra förutsägelser ska vara nära – vi vill att de ska ha högst överensstämmelse med de verkliga värdena," förklarar Kim. Han noterar att medan Pearsons korrelation upptäcker linjära relationer, så riktar den sig inte specifikt mot 45-graders alignering, till skillnad från CCC, introducerad av Lin 1989.
För att testa MALP använde forskarna simulerade data och verkliga mätningar. I en oftalmologistudie jämförde de förutsägelser för Stratus OCT-avläsningar från Cirrus OCT-data, med bilder från 26 vänstra ögon och 30 högra ögon. MALP producerade förutsägelser som matchade sanna Stratus-värden närmare, även om minsta kvadrater något bättre minskade genomsnittliga fel, vilket illustrerar en avvägning.
Ett liknande mönster uppstod med kroppsfett data från 252 vuxna, inklusive mätningar som vikt och bukomfång för att uppskatta kroppsfettprocent. MALP utmärkte sig återigen i överensstämmelse, medan minsta kvadrater minimerade fel mer effektivt. Kim betonar valet av verktyg baserat på prioriteringar: MALP för alignering, traditionella metoder för felminskning.
Arbetet, detaljerat i en arXiv-preprint daterad 5 september 2025 (DOI: 10.48550/arXiv.2304.04221), kan förbättra förutsägelser inom medicin, folkhälsa, ekonomi och ingenjörsvetenskap. Framtida utvidgningar siktar på att bredda bortom linjära prediktorer till en allmän Maximum Agreement Predictor.