交叉验证设计与弹性网络参数对Lasso惩罚Cox模型变量选择稳定性的影响

《BMC Medical Research Methodology》：Investigating the instability of variable selection in Lasso-penalized Cox proportional hazards models: a simulation study on low-dimensional real-world medical data

　　**摘要****背景**本研究检验了Lasso惩罚Cox比例风险模型在低维临床数据中的稳定性。虽然Lasso是一种流行的同时用于变量选择和正则化的方法，但其性能已知会因交叉验证（CV）运行中的随机折分配而有所变化。我们的目标是量化折数、分层程序以及弹性网络混合参数对变量选择一致性的影响。**方法**我们分析了柏林倡议研究（Berlin Initiative Study）中老年人真实世界数据，重点关注了一个具有新型生物标志物测量的亚队列（n = 930），并评估了两个时间依赖性结局：全因死亡率（n = 882）和心血管复合终点（CE，n = 638）。我们应用Lasso在20个医学预选预测变量中识别预后变量。在模拟研究中，我们系统地改变CV折数，通过非比例协变量实施分层，并调整弹性网络的混合参数。我们通过检查所选预测变量数量的变异性和通过C指数评估预测性能来评价模型稳定性。**结果**在我们的数据集中，CV折数对模型大小和跨随机种子的选择稳定性有实质影响，较高的折数通常产生更一致的结果（最佳：死亡率10折，CE 15折）。通过违反比例风险假设的协变量进行分层在某些情况下增强了稳定性。弹性网络在稳定性或预测准确性方面并未始终优于Lasso；混合参数低于0.6导致更大的变异性。**结论**Lasso惩罚Cox模型的稳定性受CV设计强烈影响。较高的折数和适当的分层可以改善稳定性，但需付出计算成本。弹性网络在此设置下没有明显优势。这些发现凸显了常规建模选择（包括默认交叉验证设置）如何影响低维临床生存分析中的变量选择稳定性。