返回
Statistical primer: sample size considerations for developing and validating clinical prediction models
DOI:10.1093/ejcts/ezaf142.png)
摘要
En 中文
临床预测模型是统计模型或机器学习算法,通过结合关于个体的预测变量集的信息,来估计其特定临床结局的风险。确保用于开发或验证临床预测模型的样本量足够大至关重要。如果数据不足,开发的模型可能不稳定,且预测性能的估计会不精确。这可能导致模型不适合甚至有害于临床实践。近年来,已开发一系列样本量公式,用于估计预测模型开发或外部验证所需的最小样本量。本统计入门旨在概述这些标准,描述进行计算所需的信息,并通过实例说明其应用。文中回顾了可用于实现样本量标准的软件,并为所有实例提供了代码。临床预测模型(CPMs)是统计模型或机器学习算法,通过结合关于个体的预测变量集的信息,来估计其特定临床结局的风险或预期值[1, 2]。
Keyword:
Risk prediction
Sample size
Development
Validation
Overfitting
Evaluation
期刊
E
IF:
3
论文数:
1.5W
被引数:
1.7W
机构
引用论文
Targeted validation: validating clinical prediction models in their intended population and setting针对性验证: 在预期人群和环境中验证临床预测模型
Evaluation of clinical prediction models (part 2): how to undertake an external validation study临床预测模型的评估 (第二部分): 如何进行外部验证研究

