Capítulo 27 Análise preditiva
27.1 Predição
27.1.1 O que são predições?
- .REF?
O pacote ggeffects287 fornece a função predict_response para calcular valores preditos marginais ou ajustados das variáveis de desfecho.
O pacote ggeffects287 fornece a função test_response para testar valores preditos marginais ou ajustados das variáveis de desfecho.
27.1.2 Como árvores de decisão são usadas para predição?
Utilizam padrões históricos para prever resultados futuros em novos registros.288 Identificam combinações de fatores que elevam ou reduzem o risco de um evento clínico.288
Podem ser aplicadas em diagnósticos médicos para prever subtipos de condições ou diferentes respostas terapêuticas.288
27.2 Interpretação e aplicação
27.2.1 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.288
Auxiliam na formulação de hipóteses clínicas e direcionamento de futuras pesquisas.288
Podem ser estendidas para predição de sobrevivência, subgrupos de tratamento e análise de custo-benefício.288
27.3 Análise de curva de decisão
27.3.1 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”.289
27.3.2 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.290
O limiar reflete o equilíbrio entre o risco de perder casos da doença e o risco de intervenções desnecessárias.290
27.3.3 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.290
Quando a estratégia padrão é “tratar todos”, o benefício líquido também pode ser expresso como intervenções desnecessárias evitadas, facilitando a interpretação clínica.290
27.3.4 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.290
Um modelo ou teste só é considerado útil se apresentar maior benefício líquido do que ambas as estratégias, garantindo que realmente agrega valor clínico.290
Essa comparação evita que um modelo com bom AUC mas má calibração seja usado, já que pode apresentar net benefit inferior às estratégias padrão.290
27.3.5 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.290
Em situações claras (modelo com nenhum benefício ou benefício amplo), pode dispensar análises complexas.290
Em casos ambíguos, serve como primeiro passo antes de análises mais detalhadas.290
27.3.6 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).289
27.3.7 Como funciona o cálculo do benefício líquido?
- O benefício líquido é estimado contrastando verdadeiros positivos e falsos positivos em diferentes limiares de decisão.289
Ferreira, Arthur de Sá. Ciência com R: Perguntas e respostas para pesquisadores e analistas de dados. Rio de Janeiro: 1a edição,