Recalibration in Validation Studies of Diabetes Risk Prediction Models: A Systematic Review
Notice bibliographique
Résumé
Background: Poor performance of risk prediction models in a new setting is common. Recalibration methods aim to improve the prediction performance of a model in a validation population, however the extent of its application in the validation of diabetes risk prediction models is not yet known. Methods: We critically reviewed published validation studies of diabetes prediction models, selected from five recent comprehensive systematic reviews and database searches. Common recalibration techniques applied were described and the extent to which recalibration and impacts were reported analysed. Results: Of the 236 validations identified, 22.9% (n = 54) undertook recalibration on existent models in the validation population. The publication of these studies was consistent from 2008. Only incident diabetes risk prediction models were validated, and the most commonly validated Framingham offspring simple clinical risk model was the most recalibrated of the models, in 4 studies (7.4%). Conclusions: This review highlights the lack of attempt by validation studies to improve the performance of the existent models in new settings. Model validation is a fruitless exercise if the model is not recalibrated or updated to allow for greater accuracy. This halts the possible implementation of an existent model into routine clinical care. The use of recalibration procedures should be encouraged in all validation studies, to correct for the anticipated drop in model performance.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,064 | 0,265 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,009 | 0,011 |
| Bibliométrie | 0,013 | 0,011 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».