The Value of Bayes Theorem in the Interpretation of Subjective Diagnostic Findings: What Can We Learn from Agreement Studies?
Notice bibliographique
Résumé
The Bayes theorem is advocated as the appropriate measure for the weight of evidence in medical decision making. It is based on the calculation of posttest probability as a function of the accuracy of the test and pretest probability. Nevertheless, for subjective diagnostic findings, there might be substantial variability in the accuracy among human observers, making the point estimate of posttest probability imprecise. Although there is limited evidence regarding the actual variability of accuracy among observers for the majority of diagnostic findings, classical observer agreement studies provide us with an indirect estimate of such variability. The aim of this work was to explicate the relationship between observer disagreement and variability of posttest probability. Using a random effects signal detection model with 3 stochastic components (between subject, between observer, and residual variations), the authors modeled diagnostic tests with various characteristics and calculated the expected between-observer disagreement and 95% interval of the observers' posttest probability. For the majority of simulated conditions, variation in posttest probability was surprisingly high, even in the presence of substantial agreement. Although the model is based on parametric assumptions, these results are a clue to a source of inaccuracy in the calculation of posttest probability. Practitioners should be aware of such variation in their clinical practice, and diagnostic studies need to develop strategies to address this uncertainty.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,044 | 0,075 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».