TRIPOD+AI statement: updated guidance for reporting clinical prediction models that use regression or machine learning methods
Pourquoi ce travail est-il dans la base ?
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Scores machine (provisoires)
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
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.
- Écart entre enseignants
- 0,040 · la distance entre les deux têtes enseignantes sur ce seul travail
- Statut de validation
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 découle
Résumé
The TRIPOD (Transparent Reporting of a multivariable prediction model for Individual Prognosis Or Diagnosis) statement was published in 2015 to provide the minimum reporting recommendations for studies developing or evaluating the performance of a prediction model. Methodological advances in the field of prediction have since included the widespread use of artificial intelligence (AI) powered by machine learning methods to develop prediction models. An update to the TRIPOD statement is thus needed. TRIPOD+AI provides harmonised guidance for reporting prediction model studies, irrespective of whether regression modelling or machine learning methods have been used. The new checklist supersedes the TRIPOD 2015 checklist, which should no longer be used. This article describes the development of TRIPOD+AI and presents the expanded 27 item checklist with more detailed explanation of each reporting recommendation, and the TRIPOD+AI for Abstracts checklist. TRIPOD+AI aims to promote the complete, accurate, and transparent reporting of studies that develop a prediction model or evaluate its performance. Complete reporting will facilitate study appraisal, model evaluation, and model implementation.
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.
La notice
- Revue
- BMJ
- Thématique
- Artificial Intelligence in Healthcare and Education
- Domaine
- Medicine
- Établissements canadiens
- Vector InstituteHospital for Sick ChildrenPrincess Margaret Cancer CentreSickKids FoundationUniversity of TorontoUniversity Health Network
- Organismes subventionnaires
- Health Data Research UKNational Institute of Diabetes and Digestive and Kidney DiseasesNational Heart, Lung, and Blood InstituteEngineering and Physical Sciences Research CouncilUniversity of OxfordUniversity of WarwickVlaamse regeringUniversity of Cape TownMedizinische Universität WienUniversitair Medisch Centrum UtrechtUniversität WienMassachusetts Institute of TechnologyEuropean CommissionUniversity of TorontoWellcome TrustCancer Research UKUniversity College LondonImperial College LondonHospital for Sick ChildrenNorthwestern UniversityFeinberg School of MedicineKU LeuvenNederlandse Organisatie voor Wetenschappelijk OnderzoekUniversity of East AngliaMedical Research CouncilDepartment of Health and Social CareNational Institute for Health and Care ResearchUK Research and InnovationNational Institute for Health and Care Excellence
- Mots-clés
- Tripod (photography)ChecklistMachine learningComputer scienceArtificial intelligenceEngineeringPsychology
- Résumé présent dans OpenAlex
- oui