Relative impact characteristic curve: a graphical tool to visualize and quantify the clinical utility and population-level consequences of implementing markers
Notice bibliographique
Résumé
PURPOSE: Receiver operating characteristic (ROC) curve analysis is a popular method for evaluating the performance of (bio)markers. However, the standard ROC curve does not directly connect marker performance to patient-related outcomes. Our aim was to fill this gap by proposing a conceptually similar graphical tool that carries information about the clinical uitility of markers. METHODS: We propose a novel graphical tool, the relative impact characteristic (RIC) curve, that depicts the trade-off between the population-level impact of treatment as a function of the size of the treated population for a given marker positivity rule (e.g., a threshold). We establish analogies between the ROC and the RIC curves around the interpretations of shape, slopes, and area under the curve and discuss parametric inference on RIC. RESULTS: As a case study, we used data from a clinical trial on preventive therapy for exacerbations of chronic obstructive pulmonary disease. We illustrate how the RIC curve can be constructed for a predication score and be interpreted in terms of a marker's ability toward concentrating treatment benefit in the population. We discuss hoe the RIC curve can be used to identify a threshold on the risk score based on the maximal acceptable number-needed-to-treat. CONCLUSIONS: The RIC curve enables evaluation of markers in terms of their treatment-related clinical utility. Its analogies with the standard ROC analysis can facilitate its interpretation, bringing a population-based perspective to the activities of diverse marker development and evaluation teams.
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 | 0,030 | 0,160 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,015 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,002 |
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 ».