Understanding prognostic models: The example of the PHASES score for unruptured intracranial aneurysms
Notice bibliographique
Résumé
BACKGROUND: Prognostic studies may inform individuals about the future course of their disease and help clinical decision making, but problems abound. METHODS: We summarize a study on the natural history of unruptured intracranial aneurysms (UIAs) and review the various steps in the construction of prognostic models. We emphasize the fundamental inductive problems of prognostic studies that attempt to use the backward road from the extension of patients suffering an event to create a new intensional definition of classes of patients at risk. RESULTS: The first step in a prognostic model is to identify candidate baseline variables to be entered into the model, according to background knowledge, previous studies, and statistical associations with the event of interest. This is a multivariate task. The modeler already knows the outcomes the model is supposed to 'predict', so that multiple models are tested against the data until a satisfactory fit is obtained. The variables used to construct the model should not be added in an ad hoc fashion to fit heterogeneous studies. They should be selected in such a fashion as to be exportable outside the study to new patients. An infinite number of models can fit the same data. Thus, the most important step is to validate the prognostic value of the model in patients that were not used to construct the model. In the case of UIAs, this has never been done. CONCLUSION: Prognostic studies present multiple problems. Unvalidated models should not be used in clinical practice.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».