Supraajustare (overfitting)

(categorie: statistică, inteligență artificială)

Supraajustarea este situația în care un model învață nu doar relațiile reale din date, ci și zgomotul — particularitățile întâmplătoare ale pacienților din setul de antrenament, care nu se repetă la alți pacienți.

Un model supraajustat pare excelent pe datele pe care a fost construit și dezamăgește pe date noi. Este principala capcană a inteligenței artificiale în medicină.

Cum funcționează

Orice set de date conține două componente: semnalul, adică relațiile reale dintre variabile și rezultat, și zgomotul, adică variația întâmplătoare. Un model prea flexibil are capacitatea de a reproduce ambele.

Cu cât un algoritm are mai mulți parametri liberi raportat la numărul de exemple, cu atât riscul crește. Un model cu sute de arbori de decizie antrenat pe câteva sute de pacienți poate memora practic fiecare caz, în locul găsirii unei reguli generale.

Semnul distinctiv este discrepanța: performanță foarte bună pe datele de antrenament și mult mai slabă pe date noi. De aceea evaluarea pe aceleași date pe care modelul a fost construit este lipsită de valoare.

Antidotul este validarea. Validarea internă — de exemplu validarea încrucișată, în care datele sunt împărțite repetat în porțiuni de antrenament și de test — limitează supraajustarea, dar nu o exclude. Testul adevărat este validarea externă, pe pacienți dintr-un alt spital, dintr-o altă țară, dintr-o altă perioadă.

Semne și mecanisme

Performanță prea bună

O arie sub curbă foarte mare este adesea un semnal de alarmă. Analiza sistematică din 2025 a găsit o valoare medie raportată de 0,91 în literatura despre pancreatita acută și a avertizat că reflectă probabil supraajustarea.

Prea multe variabile

Numărul de variabile raportat la numărul de evenimente este determinant. Regula orientativă cere cel puțin zece evenimente per variabilă.

Eșantioane mici și selectate

Un model construit pe 60 de pacienți, cum a fost unul dintre cele citate în studiul din 2026, are un risc mult mai mare.

Absența validării externe

Doar un studiu din 30 analizate în 2025 făcuse validare externă. Fără ea, performanța raportată nu poate fi crezută.

Relevanță clinică

Contrastul din studiul din 2026 este instructiv. Modelul lor a obținut 0,837 pe o cohortă externă, dintr-o altă țară, cu alt profil de pacienți. Literatura raporta o medie de 0,91, dar pe date proprii sau pe eșantioane atent selectate.

Autorii analizei sistematice formulează regula: un model care obține 0,84 pe o cohortă externă spune mai mult decât unul care obține 0,95 pe propriile date de antrenament. În evaluarea inteligenței artificiale medicale, rigoarea validării cântărește mai mult decât mărimea cifrei.

Există și o formă subtilă de supraajustare, prezentă chiar în studiul din 2026 și recunoscută de autori. Alegerea algoritmului XGBoost, stabilirea pragului de 20% și recalibrarea au fost făcute toate pe cohorta chineză, cea pe care a fost evaluată și performanța.

Rezultatele modelelor originale pe această cohortă sunt o validare externă reală. Performanța modelului final, așa cum este implementat în aplicație, nu a fost însă testată pe pacienți complet noi — deci este, tehnic, o estimare optimistă. Aceasta se numește circularitate parțială a evaluării.

Pentru un cititor, întrebarea practică în fața unui titlu despre un algoritm care „prezice cu o precizie de 90%” este simplă: a fost testat pe pacienți din alt spital? Răspunsul spune mai mult decât cifra.

Cum se detectează

Compararea performanței pe datele de antrenament cu cea pe date noi; o diferență mare indică supraajustare.

Raportul dintre numărul de evenimente și numărul de variabile.

Prezența unei validări externe, pe o populație diferită.

Verificarea dacă selecția modelului, pragul și calibrarea au fost făcute pe alt set decât cel de evaluare.

Coerența fiziologică a variabilelor reținute; un set fără logică biologică este suspect.

Factori care influențează riscul de supraajustare

Flexibilitatea algoritmului folosit.

Numărul de parametri liberi raportat la numărul de exemple.

Numărul de evenimente disponibile.

Selecția variabilelor făcută pe același set ca evaluarea.

Absența penalizărilor de complexitate.

Dimensiunea și reprezentativitatea eșantionului.

Numărul de modele testate înainte de alegerea celui final.

Supraajustare în context Healthwise

Supraajustarea este motivul pentru care, în inteligența artificială medicală, o performanță foarte bună trebuie privită cu mai multă suspiciune decât una modestă. Este un domeniu în care rezultatele prea frumoase sunt, statistic, mai probabil greșite.

Pe Healthwise, apare ca principala capcană metodologică a studiilor de predicție clinică și ca reper pentru citirea critică a cifrelor raportate.

Concluzie

Supraajustarea este învățarea zgomotului din datele de antrenament, alături de relațiile reale, ceea ce face ca modelul să pară excelent pe acele date și să dezamăgească pe date noi.

Ce trebuie reținut: o performanță foarte bună este adesea un semnal de alarmă, nu de calitate; singurul antidot serios este validarea externă; iar un model care obține 0,84 pe pacienți din alt spital spune mai mult decât unul cu 0,95 pe propriile date.