Capítulo 21 Análise preditiva
21.1 Predição
21.1.1 O que são predições?
- .REF?
O pacote ggeffects237 fornece a função predict_response para calcular valores preditos marginais ou ajustados das variáveis de desfecho.
O pacote ggeffects237 fornece a função test_response para testar valores preditos marginais ou ajustados das variáveis de desfecho.
21.1.2 Como árvores de decisão são usadas para predição?
Utilizam padrões históricos para prever resultados futuros em novos registros.238 Identificam combinações de fatores que elevam ou reduzem o risco de um evento clínico.238
Podem ser aplicadas em diagnósticos médicos para prever subtipos de condições ou diferentes respostas terapêuticas.238
21.2 Interpretação e aplicação
21.2.1 Quais são as implicações do uso de árvores de decisão em predição?
Tornam os resultados mais compreensíveis para clínicos e pesquisadores, com regras “se-então” claras.238
Auxiliam na formulação de hipóteses clínicas e direcionamento de futuras pesquisas.238
Podem ser estendidas para predição de sobrevivência, subgrupos de tratamento e análise de custo-benefício.238
21.3 Análise de curva de decisão
21.3.1 O que é a análise de curva de decisão?
- Análise de curva de decisão é um método para avaliar a utilidade clínica de modelos preditivos em comparação às estratégias padrão “tratar todos” ou “tratar ninguém”.239
21.3.2 O que significam os eixos da curva de decisão?
O eixo vertical mostra o benefício líquido, ganho obtido ao usar o modelo em relação às estratégias de referência. O eixo horizontal mostra a preferência, que corresponde ao limiar de decisão: a probabilidade mínima de evento a partir da qual se recomenda intervir.240
O limiar reflete o equilíbrio entre o risco de perder casos da doença e o risco de intervenções desnecessárias.240
21.3.3 Como interpretar o benefício líquido?
O benefício líquido é o número de verdadeiros positivos obtidos ajustado pelo “custo” dos falsos positivos, expresso na mesma unidade dos verdadeiros positivos.240
Quando a estratégia padrão é “tratar todos”, o benefício líquido também pode ser expresso como intervenções desnecessárias evitadas, facilitando a interpretação clínica.240
21.3.4 Por que é importante comparar sempre com “tratar todos” e “tratar nenhum”?
Porque essas duas estratégias são frequentemente plausíveis em contextos reais: tratar todos os pacientes de risco ou tratar nenhum.240
Um modelo ou teste só é considerado útil se apresentar maior benefício líquido do que ambas as estratégias, garantindo que realmente agrega valor clínico.240
Essa comparação evita que um modelo com bom AUC mas má calibração seja usado, já que pode apresentar net benefit inferior às estratégias padrão.240
21.3.5 Quais são os limites e usos da análise de curva de decisão?
A análise de curva de decisão não substitui uma análise de decisão completa ou uma avaliação de custo-efetividade, mas é mais simples e prática, exigindo apenas a definição de um intervalo de limiares de decisão razoáveis.240
Em situações claras (modelo com nenhum benefício ou benefício amplo), pode dispensar análises complexas.240
Em casos ambíguos, serve como primeiro passo antes de análises mais detalhadas.240
21.3.6 A análise de curva de decisão pode ser conduzida sem dados individuais de pacientes?
- Em modelos bem calibrados e com tamanho amostral adequado, a análise de curva de decisão pode ser realizada utilizando apenas estimativas sumárias (média e desvio-padrão).239
21.3.7 Como funciona o cálculo do benefício líquido?
- O benefício líquido é estimado contrastando verdadeiros positivos e falsos positivos em diferentes limiares de decisão.239
Ferreira, Arthur de Sá. Ciência com R: Perguntas e respostas para pesquisadores e analistas de dados. Rio de Janeiro: 1a edição,