Description du livre
La deuxième édition de ce volume fournit un aperçu et des illustrations pratiques sur la façon dont les concepts statistiques modernes et les méthodes de régression peuvent être appliqués aux problèmes de prédiction médicale, y compris les résultats diagnostiques et pronostiques. De nombreux progrès ont été réalisés dans les approches statistiques de la prédiction des résultats, mais une stratégie raisonnable est nécessaire pour l'élaboration, la validation et la mise à jour des modèles, de sorte que les modèles de prédiction puissent mieux soutenir la pratique médicale.
En cette ère des grandes données, l'accès à de grandes quantités de données recueillies régulièrement et à un plus grand nombre d'applications pour les modèles de prédiction, comme la détection précoce ciblée de la maladie et les approches individualisées pour les tests diagnostiques et le traitement, est de plus en plus nécessaire et les modèles de prédiction clinique présentent une liste de contrôle pratique dont il faut tenir compte pour élaborer un modèle valide de prévision. Les étapes comprennent des considérations préliminaires comme le traitement des valeurs manquantes, le codage des prédicteurs, la sélection des principaux effets et interactions pour un modèle multivariable, l'estimation des paramètres du modèle avec des méthodes de retrait et l'incorporation de données externes, l'évaluation du rendement et de l'utilité, la validation interne et le formatage des présentations. Le texte aborde également des questions courantes qui rendent les modèles de prévision sous-optimaux, comme la petite taille des échantillons, les allégations exagérées et la faible généralisabilité.
Le texte s'adresse principalement aux épidémiologistes cliniques et aux biostatisticiens. Incluant de nombreuses études de cas et des ensembles de données et de codes R accessibles au public, le livre convient également comme manuel pour un cours d'études supérieures sur la modélisation prédictive en diagnostic et en pronostic.
Les mises à jour de cette nouvelle édition augmentée incluent :
- Une discussion sur Big Data et ses implications pour la conception de modèles de prédiction.
- Problèmes d'apprentissage de la machine
- Plus de simulations avec des valeurs'y' manquantes
- Discussion approfondie sur l'hétérogénéité entre les cohortes
- Description de ShinyApp
- Mise à jour de l'illustration LASSO
- Nouvelles études de cas