外部検証のためのベイジアンサンプルサイズ計算 リスク予測モデルの検証

科学分野:

• バイオ統計学 バイオ統計学
• エピデミオロジー エピデミオロジー
• 医療情報工学 医療情報工学

背景:

• リスク予測モデルの外部検証のための現在のサンプルサイズ計算は,固定されたパフォーマンスメトリックと精度目標に依存しています.
• このアプローチは,前回の研究サンプルが有限であるため,実際のモデルパフォーマンスの不確実性によって制限されています.
• 従来の方法は,純利益 (NB) のような測定法を使用して臨床的有用性を評価するのにあまり適していません.

研究 の 目的:

• バイナリ・アウトカムを持つ予測モデルのマルチ基準サンプルサイズに関するベイズ一般的枠組みを提案する.
• 統計的パフォーマンスの指標 (差別化,校正) と臨床的有用性 (純利益) のサンプルサイズルールを開発する.
• 不確実性を組み込み,サンプルサイズを柔軟に決定することで,従来の方法の限界に対処する.

主な方法:

• サンプルサイズ計算のためのベイジアンフレームワークを開発しました.
• 期待される精度またはパフォーマンスメトリックの保証確率を対象とした提案されたサンプルサイズルール.
• 最適性保証と情報の価値 (VoI) 分析に基づく純利益のルールが導入されました.
• COVID-19患者の悪化リスクモデルを検証するためのフレームワークを適用しました.

主要な成果:

• ベイジアンアプローチは,モデルのパフォーマンスの不確実性を定量化し,柔軟なサンプルサイズ規則を可能にします.
• 純利益のための情報価値 (VoI) 分析は,精度ベースの校正メトリックと比較して,より低いサンプルサイズを示唆しました.
• COVID-19リスク予測モデルのケーススタディで実証された応用.

結論:

• ベイジアンフレームワークは,外部モデルの検証のためのサンプルサイズ計算により包括的なアプローチを提供します.
• この方法は,期待される精度,保証確率,およびVoIに基づいて,柔軟なサンプルサイズ決定を可能にします.
• 提案されたアプローチ,特に純利益のためのVoIは,より効率的なサンプルサイズ要件につながる可能性があります.