REFINE2: herramienta de simulación simplificada para ayudar a los epidemiólogos a evaluar la idoneidad y la...

Área de la Ciencia:

• Epidemiología
• Estadísticas biológicas
• Aprendizaje automático

Sus antecedentes:

• Los epidemiólogos utilizan diversos métodos estadísticos para la estimación del efecto, que van desde la regresión hasta los algoritmos avanzados de aprendizaje automático.
• La elección del método óptimo es un desafío debido a numerosas suposiciones, compensaciones y rendimiento específico del contexto.
• Evaluar métodos a través de simulaciones de datos reales a menudo es poco práctico para muchos investigadores.

Objetivo del estudio:

• Introducir REFINE2, una aplicación Shiny fuera de línea fácil de usar para comparar estimadores estadísticos en epidemiología.
• Permitir a los analistas evaluar el rendimiento del algoritmo dentro de su contexto de datos específico para la estimación del efecto medio del tratamiento.
• Orientar la selección de modelos estadísticos apropiados y mejorar la comprensión del sesgo de la muestra finita.

Principales métodos:

• Desarrollo de REFINE2, una aplicación Shiny fuera de línea para la evaluación comparativa del rendimiento de los estimadores estadísticos.
• Simulación automatizada del modo plasmático para generar un efecto de tratamiento medio objetivo (ATE) basado en las covariables observadas.
• Evaluación de la cobertura del sesgo y del intervalo de confianza para los modelos especificados por el usuario con respecto a la ATE objetivo simulada.

Principales resultados:

• El método estadístico óptimo para la estimación del efecto varió significativamente en diferentes escenarios de datos.
• Se observó un rendimiento subóptimo para ciertos métodos con confusión residual.
• REFINE2 demostró su utilidad para guiar la selección de modelos y comprender limitaciones como el sesgo de la muestra finita.

Conclusiones:

• REFINE2 permite a los epidemiólogos seleccionar modelos estadísticos adecuados mediante la evaluación del rendimiento de sus propios datos.
• La aplicación ayuda a comprender los desafíos comunes, como el sesgo de la muestra finita al emplear el aprendizaje automático.
• La evaluación específica del contexto es crucial para una estimación sólida de los efectos en la investigación epidemiológica.