Was hat diesen Wunsch inspiriert? Liste Anfrage?Bitte beschreiben Sie das aktuelle Problem, das verbessert werden muss, oder das zu lösende Problem, das derzeit nicht einfach oder möglich ist, anhand eines Beispielanwendungsfalls.
Kürzlich bin ich auf einige Rezensenten gestoßen, die darum gebeten haben, dass wir uns an die Methoden halten, die in „Transparent Reporting of a multivariable Prediction Model for Individual Prognosis Or Diagnosis“ (TRIPOD), beschrieben in den Annals of Internal Medicine 2015; 162: W1-W73-Papier. In diesem Artikel beschrieben die Autoren die Darstellung der vorhergesagten Ergebnisse (X-Achse) im Vergleich zu den tatsächlichen Ergebnissen (Y-Achse) mithilfe eines Kalibrierungsdiagramms. Anschließend beschreiben sie Nettonutzenkurven (A Simple, Step by Step Guide to Interpreting Decision Curve Analysis; Vickers, van Calster und Steyerberg; Diagnostic and Prognostic Research, 2019; https://doi.org/10.1186/s41512-019-0064-7 ) als Instrument zur Bewertung des Nutzens gegenüber dem Schwellenrisiko
Ein Tutorial und Code für dieses Tool sind online für Python, R, STATA und SAS verfügbar: Tutorial zur Entscheidungskurvenanalyse (danieldsjoberg.com)
Dieses Tool erweitert den Nutzen bestehender Tools zur Bewertung der Genauigkeit von Vorhersagemodellen wie AUC (C-Statistik), indem es die Anwendung des klinischen Nutzens ermöglicht. Es handelt sich um ein Instrument, das zunehmend in Unternehmen und anderen Risiko-Nutzen-Bereichen eingesetzt wird. Obwohl die Ausgabe tabellarisch sein kann, handelt es sich in erster Linie um ein grafikbasiertes Tool, das gut in das JMP-Paradigma passt.
Aktuelle JMP-Version: JMP Pro 17.2
