Uma Estrutura Unificada sobre a Generalizabilidade de Modelos de Previsão Clínica

Para ser útil, modelos de previsão clínica (MPCs) devem ser generalizáveis a pacientes em novos contextos. Avaliar a generalizabilidade dos MPCs ajuda a identificar relações espúrias nos dados, fornece insights sobre quando falham e, assim, melhora a explicabilidade dos MPCs. Há descontinuidades nos conceitos relacionados à generalizabilidade dos MPCs nos domínios de pesquisa clínica e aprendizado de máquina. Especificamente, razões estatísticas convencionais para explicar a pobre generalizabilidade, como desenvolvimento inadequado do modelo para fins de generalizabilidade, diferenças na codificação de preditores e resultados entre conjuntos de dados de desenvolvimento e externos, erro de medição, incapacidade de medir alguns preditores e dados ausentes, têm tratamentos diferentes e muitas vezes complementares nos dois domínios. Grande parte da literatura atual de aprendizado de máquina sobre generalizabilidade dos MPCs está relacionada à mudança de conjunto de dados, da qual vários tipos foram descritos. No entanto, existe pouca pesquisa para sintetizar conceitos nos dois domínios. Superar essa descontinuidade conceitual no contexto dos MPCs pode facilitar o desenvolvimento sistemático dos MPCs e a avaliação de sua sensibilidade a fatores que afetam a generalizabilidade. Nós examinamos a generalizabilidade e a mudança de conjunto de dados nos MPCs tanto sob a perspectiva de pesquisa clínica quanto de aprendizado de máquina, e descrevemos uma estrutura unificadora para analisar a generalizabilidade dos MPCs e explicar sua sensibilidade a fatores que a afetam. Nossa estrutura leva a um conjunto de declarações sinalizadoras que podem ser usadas para caracterizar diferenças entre conjuntos de dados em termos de fatores que afetam a generalizabilidade dos MPCs.