Autor/autores:
Russell A. Poldrack, Grace Huckins,Gael Varoquaux
Existe un gran interés en identificar métodos para predecir estados de enfermedad neuropsiquiátrica y resultados de tratamiento a partir de datos de alta dimensión, incluidos datos de neuroimagen y genómica. El objetivo de esta revisión es resaltar varios problemas potenciales que pueden surgir en estudios que tienen como objetivo establecer prediccione...
Estás viendo una versión reducida de este contenido.
Para consultar la información completa debes registrarte gratuitamente.
Tan sólo te llevará unos segundos.
Y si ya estás registrado inicia sesión pulsando aquí.
Existe un gran interés en identificar métodos para predecir estados de enfermedad neuropsiquiátrica y resultados de tratamiento a partir de datos de alta dimensión, incluidos datos de neuroimagen y genómica.
El objetivo de esta revisión es resaltar varios problemas potenciales que pueden surgir en estudios que tienen como objetivo establecer predicciones.
Un número de estudios de neuroimagen han afirmado establecer predicciones mientras establecen solo correlación, lo cual es un uso inapropiado del significado estadístico de predicción. Las asociaciones estadísticas no necesariamente implican la capacidad de hacer predicciones de manera generalizada; establecer evidencia para la predicción, por lo tanto, requiere probar el modelo en datos separados de los utilizados para estimar los parámetros del modelo. Este artículo analiza varias medidas de rendimiento predictivo y las limitaciones de algunas medidas de uso común, con un enfoque en la importancia de utilizar múltiples medidas al evaluar el rendimiento. Para la clasificación, el área bajo la curva característica de funcionamiento del receptor es una medida apropiada; para el análisis de regresión, se debe evitar la correlación y se prefiere la mediana del error absoluto.
Para garantizar estimaciones precisas de la validez predictiva, las mejores prácticas recomendadas para el modelado predictivo incluyen lo siguiente: (1) los índices de ajuste del modelo en la muestra no deben informarse como evidencia de precisión predictiva, (2) el procedimiento de validación cruzada debe abarcar todas las operaciones aplicadas a los datos, (3) los análisis de predicción no se deben realizar con muestras menores a varios cientos de observaciones, (4) se deben examinar e informar múltiples medidas de precisión de predicción, (5) el coeficiente de determinación se debe calcular utilizando se deben usar las sumas de formulación de cuadrados y no el coeficiente de correlación, y (6) validación cruzada k-fold en lugar de validación cruzada de dejar uno fuera.
Para acceder al texto completo consulte las características de suscripción de la fuente original: https://jamanetwork. com/
Inicio: 18/09/2024 |Precio: 115€
Ver curso