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 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 | 0,009 | 0,027 |
| 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 | 0,003 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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; un appel candidat d’une seule tête enseignante, 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 ».