Data Improvement Through Simplification: Implications for Low‐Resource Settings
Notice bibliographique
Résumé
BACKGROUND: The focus of many data collection efforts centers on creation of more granular data. The assumption is that more complex data are better able to predict outcomes. We hypothesized that data are often needlessly complex. We sought to demonstrate this concept by examination of the American Society of Anesthesiologists (ASA) scoring system. METHODS: First, we created every possible consecutive two, three and four category combinations of the current five category ASA score. This resulted in 14 combinations of simplified ASA. We compared the predictive ability of these simplified scores for postoperative outcomes for 2.3 million patients in the NSQIP database. Individual model performance was assessed by comparing receiver operator characteristic (ROC) curves for each model with the standard ASA. RESULTS: Two of our 4-category models and one of our 3-category models had ability to predict all outcomes equivalent to standard ASA. These results held for all outcomes and on all subgroups tested. The performance of the three best performing simplified ASA scores were also equivalent to the standard ASA score in the univariate analysis and when included in a multivariate model. CONCLUSIONS: It is assumed that the most granular data and use of the largest number of variables for risk-adjusted predictions will increase accuracy. This complexity is often at the expense of utility. Using the single best predictor in surgical outcomes research, we have shown this is not the case. In this example, we demonstrate that one can simplify ASA into a 3-category variable without losing any ability to predict outcomes.
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 | 0,150 | 0,483 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,007 |
| Communication savante | 0,009 | 0,012 |
| Science ouverte | 0,005 | 0,007 |
| Intégrité de la recherche | 0,002 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».