Qu'est-ce qui a inspiré ce souhait liste demande?Veuillez décrire le problème actuel qui doit être amélioré ou le problème à résoudre qui n'est pas facile ou possible pour le moment, avec un exemple de cas d'utilisation.
J'ai récemment rencontré certains évaluateurs nous demandant de suivre les méthodologies décrites dans : Rapport transparent d'un modèle de prédiction multivariable pour un pronostic ou un diagnostic individuel (TRIPOD) décrit dans les Annals of Internal Medicine 2015 ; 162 : papier W1-W73. Dans cet article, les auteurs décrivaient la représentation des résultats prédits (axe des x) par rapport aux résultats réels (axe des y) à l'aide d'un tracé d'étalonnage. Ils décrivent ensuite les courbes de bénéfices nets (A Simple, Step by Step Guide to Interpreting Decision Curve Analysis ; Vickers, van Calster et Steyerberg ; Diagnostic and Pronostic Research, 2019 ; https://doi.org/10.1186/s41512-019-0064-7 ) comme outil pour évaluer le bénéfice par rapport au seuil de risque
Un didacticiel et le code de cet outil sont disponibles en ligne pour Python, R, STATA et SAS : Tutoriel d'analyse des courbes de décision (danieldsjoberg.com)
Cet outil étend l'utilité des outils existants utilisés pour évaluer l'exactitude des modèles prédictifs tels que l'AUC (statistique c) en permettant l'application de l'utilité clinique. Il s’agit d’un outil de plus en plus utilisé dans les entreprises et dans d’autres contextes risque-bénéfice. Bien que la sortie puisse être sous forme de tableau, il s'agit avant tout d'un outil graphique qui « s'intègre » parfaitement dans le paradigme JMP.
Version actuelle de JMP : JMP Pro 17.2
