Back to Search Start Over

Benchmarking missing-values approaches for predictive models on health databases

Authors :
Alexandre Perez-Lebel
Gaël Varoquaux
Marine Le Morvan
Julie Josse
Jean-Baptiste Poline
McConnell Brain Imaging Centre (MNI)
Montreal Neurological Institute and Hospital
McGill University = Université McGill [Montréal, Canada]-McGill University = Université McGill [Montréal, Canada]
McGill University = Université McGill [Montréal, Canada]
Montreal Institute for Learning Algorithms [Montréal] (MILA)
Centre de Recherches Mathématiques [Montréal] (CRM)
Université de Montréal (UdeM)-Université de Montréal (UdeM)
Modelling brain structure, function and variability based on high-field MRI data (PARIETAL)
Inria Saclay - Ile de France
Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Service NEUROSPIN (NEUROSPIN)
Direction de Recherche Fondamentale (CEA) (DRF (CEA))
Commissariat à l'énergie atomique et aux énergies alternatives (CEA)-Commissariat à l'énergie atomique et aux énergies alternatives (CEA)-Université Paris-Saclay-Direction de Recherche Fondamentale (CEA) (DRF (CEA))
Commissariat à l'énergie atomique et aux énergies alternatives (CEA)-Commissariat à l'énergie atomique et aux énergies alternatives (CEA)-Université Paris-Saclay
Inria Sophia Antipolis - Méditerranée (CRISAM)
Institut National de Recherche en Informatique et en Automatique (Inria)
Institut Desbrest de santé publique (IDESP)
Institut National de la Santé et de la Recherche Médicale (INSERM)-Université de Montpellier (UM)
ANR-17-CE23-0018,DirtyData,Intégration et nettoyage de données pour l'analyse statistique(2017)
ANR-16-IDEX-0006,MUSE,MUSE(2016)
Service NEUROSPIN (NEUROSPIN)
Université Paris-Saclay-Direction de Recherche Fondamentale (CEA) (DRF (CEA))
Commissariat à l'énergie atomique et aux énergies alternatives (CEA)-Commissariat à l'énergie atomique et aux énergies alternatives (CEA)-Inria Saclay - Ile de France
Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)
Médecine de précision par intégration de données et inférence causale (PREMEDICAL)
Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Institut Desbrest de santé publique (IDESP)
Institut National de la Santé et de la Recherche Médicale (INSERM)-Université de Montpellier (UM)-Institut National de la Santé et de la Recherche Médicale (INSERM)-Université de Montpellier (UM)
Perez-Lebel, Alexandre
Intégration et nettoyage de données pour l'analyse statistique - - DirtyData2017 - ANR-17-CE23-0018 - AAPG2017 - VALID
MUSE - - MUSE2016 - ANR-16-IDEX-0006 - IDEX - VALID
Source :
GigaScience, GigaScience, Oxford Univ Press, In press, HAL, GigaScience, In press, ⟨10.1093/gigascience/giac013⟩
Publication Year :
2022
Publisher :
HAL CCSD, 2022.

Abstract

BACKGROUND: As databases grow larger, it becomes harder to fully control their collection, and they frequently come with missing values: incomplete observations. These large databases are well suited to train machine-learning models, for instance for forecasting or to extract biomarkers in biomedical settings. Such predictive approaches can use discriminative -- rather than generative -- modeling, and thus open the door to new missing-values strategies. Yet existing empirical evaluations of strategies to handle missing values have focused on inferential statistics. RESULTS: Here we conduct a systematic benchmark of missing-values strategies in predictive models with a focus on large health databases: four electronic health record datasets, a population brain imaging one, a health survey and two intensive care ones. Using gradient-boosted trees, we compare native support for missing values with simple and state-of-the-art imputation prior to learning. We investigate prediction accuracy and computational time. For prediction after imputation, we find that adding an indicator to express which values have been imputed is important, suggesting that the data are missing not at random. Elaborate missing values imputation can improve prediction compared to simple strategies but requires longer computational time on large data. Learning trees that model missing values-with missing incorporated attribute-leads to robust, fast, and well-performing predictive modeling. CONCLUSIONS: Native support for missing values in supervised machine learning predicts better than state-of-the-art imputation with much less computational cost. When using imputation, it is important to add indicator columns expressing which values have been imputed.<br />GigaScience, Oxford Univ Press, In press

Details

Language :
English
ISSN :
2047217X
Database :
OpenAIRE
Journal :
GigaScience, GigaScience, Oxford Univ Press, In press, HAL, GigaScience, In press, ⟨10.1093/gigascience/giac013⟩
Accession number :
edsair.doi.dedup.....d58af0cd27abe699ca9a990978172393