Analiza curbei de decizie

(categorie: statistică, epidemiologie)

Analiza curbei de decizie evaluează dacă folosirea unui model aduce un beneficiu practic față de strategiile simple: să tratezi sau să monitorizezi pe toată lumea, sau pe nimeni. Este a treia proprietate evaluată la un model, alături de discriminare și de calibrare.

Metoda cântărește beneficiul detectării cazurilor reale față de costul alarmelor false, la diferite praguri de risc.

Cum funcționează

Ideea centrală este că pragul la care un medic ar acționa conține implicit informație despre cât cântăresc, pentru el, un caz ratat față de o alarmă falsă. Un medic care ar monitoriza intensiv un pacient cu risc de 10% consideră că un caz ratat costă de nouă ori mai mult decât o monitorizare inutilă.

Pentru fiecare prag posibil, metoda calculează beneficiul net: numărul de cazuri corect detectate minus numărul de alarme false, acestea ponderate cu raportul implicit de la acel prag. Rezultatul se reprezintă grafic, cu pragul pe orizontală.

Pe același grafic se trasează și cele două strategii de referință: a acționa la toți pacienții și a nu acționa la niciunul. Un model util trebuie să se afle deasupra ambelor, pe intervalul de praguri relevant clinic.

Avantajul față de metricele clasice este că încorporează consecințele deciziei, nu doar acuratețea statistică. Un model poate avea o arie sub curbă bună și totuși să nu aducă niciun beneficiu net la pragurile la care medicii acționează efectiv.

Rezultate și instrumente asociate

Rezultatul pentru XGBoost recalibrat

A oferit cel mai mare beneficiu net pe un interval larg de praguri, între 10% și 20%, în studiul din 2026.

Rezultatul pentru scorul BISAP

A adus și el un beneficiu, dar pe un interval mai îngust de praguri.

Curba de impact clinic

Analiza complementară, care arată pentru fiecare prag câți pacienți ar fi etichetați drept risc crescut și câți dintre aceștia ar face efectiv evenimentul.

Dependența de calibrare

Beneficiul net se calculează pe probabilitățile afișate, deci un model necalibrat poate părea inutil chiar dacă ordonează corect pacienții.

Relevanță clinică

Detaliul cel mai important din studiul din 2026 este că beneficiul superior s-a obținut pentru varianta recalibrată a modelului. Înainte de recalibrare, cu o pantă de 0,30, probabilitățile erau prea extreme pentru ca analiza să poată arăta un avantaj real.

Curba de impact clinic oferă informația de care un spital are nevoie concret: câte paturi de monitorizare ar ocupa un astfel de instrument. La pragul de 20%, modelul a semnalat 72 din 216 pacienți, dintre care 25 s-au agravat efectiv.

Aceasta este traducerea unui rezultat statistic în resurse. Un spital care adoptă instrumentul trebuie să poată monitoriza mai atent aproximativ o treime din pacienții cu pancreatită, știind că două treimi dintre semnalări vor fi alarme false.

Limita metodei este că presupune cunoașterea raportului dintre costul unui caz ratat și cel al unei alarme false. Acest raport diferă între spitale, între sisteme de sănătate și chiar între medici, iar în pancreatita acută nu există un consens formal.

Metoda nu răspunde nici la întrebarea finală: dacă folosirea modelului îmbunătățește efectiv rezultatele pacienților. Pentru asta sunt necesare studii de impact clinic, care compară pacienți îngrijiți cu și fără model — iar acestea nu au fost făcute.

Ce trebuie verificat

Intervalul de praguri pe care modelul aduce beneficiu net și dacă acesta include pragurile relevante clinic.

Comparația cu cele două strategii de referință, nu doar cu alte modele.

Dacă analiza a fost făcută pe modelul calibrat.

Prezența unei curbe de impact clinic, care traduce rezultatul în număr de pacienți.

Absența unui studiu de impact clinic, care rămâne etapa nerealizată.

Factori care influențează beneficiul net calculat

Calibrarea modelului.

Intervalul de praguri considerat relevant.

Frecvența evenimentului în populație.

Capacitatea de discriminare a modelului.

Raportul implicit dintre costul unui caz ratat și cel al unei alarme false.

Criteriile de selecție a pacienților.

Dimensiunea cohortei de evaluare.

Analiza curbei de decizie în context Healthwise

Analiza curbei de decizie este puntea dintre statistică și practică: prima metodă care întreabă nu cât de precis este modelul, ci dacă merită folosit. Faptul că beneficiul apare doar după recalibrare arată încă o dată cât contează corectitudinea cifrelor afișate.

Pe Healthwise, apare ca a treia proprietate evaluată la un model de predicție clinică, alături de discriminare și calibrare.

Concluzie

Analiza curbei de decizie calculează beneficiul net al folosirii unui model, cântărind cazurile detectate față de alarmele false, la diferite praguri de risc, și îl compară cu strategiile simple.

Ce trebuie reținut: în studiul din 2026, XGBoost recalibrat a oferit cel mai mare beneficiu net între 10% și 20%, dar numai după recalibrare; iar metoda nu răspunde la întrebarea dacă pacienții chiar beneficiază — pentru asta sunt necesare studii de impact clinic.