Boruta

(categorie: statistică, inteligență artificială)

Boruta este o metodă de selecție a variabilelor care compară importanța fiecărei variabile reale cu importanța unor variabile-umbră, generate aleatoriu din aceleași date. O variabilă este păstrată doar dacă depășește constant nivelul acestui zgomot.

Numele vine de la un spirit al pădurii din mitologia slavă, o referință la algoritmul random forest pe care se bazează metoda. În studiul din 2026 a confirmat nouă variabile din cele 27 disponibile.

Cum funcționează

Ideea este elegantă și intuitivă. Pentru fiecare variabilă reală se creează o copie cu valorile amestecate aleatoriu între pacienți. Copia păstrează distribuția originală, dar orice legătură cu rezultatul este distrusă — este, prin construcție, pur zgomot.

Se antrenează apoi un random forest pe setul extins, care conține atât variabilele reale, cât și umbrele lor. Algoritmul calculează importanța fiecăreia. O variabilă reală care nu reușește să depășească cea mai importantă dintre umbre nu aduce mai mult decât întâmplarea.

Procesul se repetă de multe ori, cu umbre noi generate la fiecare iterație. Se numără de câte ori fiecare variabilă reală a depășit nivelul zgomotului, iar decizia se ia statistic: variabilele care depășesc constant sunt confirmate, cele care nu reușesc niciodată sunt respinse.

Diferența față de LASSO este fundamentală. LASSO penalizează complexitatea și elimină variabile pentru a simplifica modelul. Boruta nu simplifică nimic — testează dacă o variabilă conține informație reală, comparând-o cu un martor construit special.

Caracteristici

Testul împotriva zgomotului

Variabilele-umbră oferă un reper obiectiv: o variabilă care nu le depășește nu aduce informație reală.

Bazat pe random forest

Folosește mecanismul de evaluare a importanței variabilelor din random forest, deci captează și relații neliniare și interacțiuni.

Mai conservator decât LASSO

În studiul din 2026 a confirmat nouă variabile, față de 16 păstrate de LASSO — o filtrare mai strictă.

Complementar, nu concurent

Autorii au reținut numai variabilele alese de ambele metode, ceea ce a dat șase variabile finale.

Relevanță clinică

Combinarea celor două metode este cea mai importantă calitate metodologică a acestei etape din studiu. LASSO și Boruta funcționează pe principii diferite: una penalizează complexitatea într-un model liniar, cealaltă testează împotriva zgomotului într-un model bazat pe arbori.

O variabilă confirmată de ambele a trecut două teste independente. Probabilitatea ca ea să fie reținută din întâmplare este mult mai mică decât la o selecție făcută cu o singură metodă.

Rezultatul final — șase variabile din 27 — este remarcabil de compact și are coerență fiziologică: uree, albumină, leucocite, trombocite, aPTT și indicele TyG. Autorii au subliniat că variabilele alese de algoritm corespund mecanismelor cunoscute, ceea ce este un semn bun pentru un model de inteligență artificială.

Un model cu puține variabile are avantaje practice importante: este mai ușor de aplicat, mai puțin dependent de analize care ar putea lipsi, mai stabil la puține evenimente și mai simplu de explicat unui medic. Cele șase valori se obțin dintr-o hemoleucogramă, o biochimie și o coagulare de rutină.

Pentru citirea studiilor, prezența unei metode de selecție riguroase — și mai ales a două metode independente — este un indicator de calitate. Analiza sistematică din 2025 a găsit că problemele de metodologie sunt regula, nu excepția, în acest domeniu.

Ce trebuie raportat

Numărul de iterații și criteriul statistic folosit pentru confirmare.

Numărul de variabile confirmate, respinse și rămase nedecise.

Parametrii algoritmului random forest folosit pentru calculul importanței.

Tratarea prealabilă a variabilelor corelate.

Combinarea cu o altă metodă de selecție, pentru confirmare independentă.

Factori care influențează rezultatul unei selecții Boruta

Numărul de iterații efectuate.

Parametrii algoritmului random forest de bază.

Gradul de corelație între variabilele candidate.

Numărul de evenimente disponibile.

Dimensiunea setului de antrenament.

Criteriul statistic de decizie folosit.

Prezența valorilor lipsă și modul de imputare.

Boruta în context Healthwise

Boruta rezolvă o problemă pe care simpla ordonare după importanță nu o rezolvă: cât de importantă trebuie să fie o variabilă pentru a conta? Răspunsul — mai importantă decât o variabilă construită să nu însemne nimic — este simplu și verificabil.

Pe Healthwise, apare ca a doua metodă de selecție a variabilelor din studiul despre predicția insuficienței de organ, alături de LASSO.

Concluzie

Boruta compară importanța fiecărei variabile reale cu cea a unor variabile-umbră generate aleatoriu, păstrând doar variabilele care depășesc constant nivelul zgomotului.

Ce trebuie reținut: în studiul din 2026 a confirmat nouă variabile din 27, iar intersecția cu rezultatul LASSO a dat cele șase finale; combinarea a două metode independente de selecție este o precauție serioasă împotriva variabilelor reținute din întâmplare.