Validare încrucișată

(categorie: statistică, inteligență artificială)

Validarea încrucișată este metoda prin care un model este testat pe date pe care nu le-a folosit la antrenare, chiar și când nu există un set separat disponibil. Datele sunt împărțite repetat în porțiuni de antrenament și de test, iar performanța se mediază.

Este forma standard de validare internă. Limitează supraajustarea, dar nu o exclude, și nu înlocuiește validarea externă.

Cum funcționează

În varianta cea mai folosită, datele sunt împărțite în cinci sau zece porțiuni egale. Modelul este antrenat pe toate porțiunile mai puțin una și testat pe aceea. Procesul se repetă până când fiecare porțiune a servit o dată ca set de test.

Rezultatul final este media performanțelor obținute. Avantajul este că fiecare pacient contribuie atât la antrenare, cât și la testare, dar niciodată simultan — deci estimarea performanței nu este contaminată.

Varianta stratificată păstrează în fiecare porțiune aceeași proporție de evenimente ca în setul complet. Este importantă când evenimentul este relativ rar, ca în cazul insuficienței de organ, prezentă la aproximativ 24% dintre pacienți.

Metoda servește și pentru alegerea parametrilor unui model — intensitatea penalizării în LASSO, numărul de arbori într-un ansamblu. Aici apare însă o capcană: dacă parametrii se aleg prin validare încrucișată și apoi performanța se raportează din aceeași procedură, estimarea devine optimistă.

Utilizări și limite

Estimarea performanței

Oferă o estimare a performanței pe date noi, când nu există un set de validare separat.

Alegerea parametrilor

Metoda standard pentru reglarea intensității penalizării și a altor setări ale algoritmului.

Limitarea supraajustării

Nu o elimină, dar semnalează când un model funcționează doar pe datele proprii.

Nu înlocuiește validarea externă

Toate porțiunile provin din aceeași populație, cu aceleași practici de îngrijire și aceleași particularități ale bazei de date.

Relevanță clinică

Limita esențială este că toate porțiunile provin din același set de date. Dacă baza conține o particularitate sistematică — un mod specific de a recolta analizele, o practică de tratament a unei anumite perioade, un profil de pacienți —, validarea încrucișată nu o detectează.

Un model poate trece foarte bine acest test și totuși să eșueze la primul contact cu pacienți din alt spital. Autorii studiului din 2026 formulează clar distincția: testul adevărat este validarea externă, în care modelul, construit și „înghețat”, este aplicat pe pacienți dintr-un alt loc.

Abia acolo se vede dacă a învățat biologia bolii sau particularitățile unei baze de date. Cohorta de validare a studiului provenea din două spitale din China, cu o vârstă medie de 48 de ani față de 62 în cohorta americană și cu o distribuție complet diferită a cauzelor.

Analiza sistematică din 2025 a găsit că doar un studiu din 30 despre pancreatita acută făcuse validare externă. Restul se bazau pe validare internă, cu performanțe raportate mari — o combinație care explică media suspect de bună de 0,91.

Pentru citirea studiilor, întrebarea utilă este dacă validarea a fost internă sau externă. Cele două cuvinte seamănă, dar diferența dintre ele este cea dintre o promisiune și o demonstrație.

Ce trebuie raportat

Numărul de porțiuni și dacă împărțirea a fost stratificată.

Dacă selecția variabilelor a fost făcută în interiorul fiecărei iterații sau înainte, pe tot setul.

Dacă alegerea parametrilor și estimarea performanței au fost separate.

Variabilitatea rezultatelor între porțiuni, nu doar media.

Prezența unei validări externe, ca test suplimentar.

Factori care influențează fiabilitatea unei validări încrucișate

Numărul de porțiuni folosite.

Stratificarea după eveniment.

Dimensiunea setului de date.

Proporția de evenimente.

Separarea între alegerea parametrilor și estimarea performanței.

Momentul selecției variabilelor în raport cu împărțirea datelor.

Omogenitatea populației din setul de date.

Validare încrucișată în context Healthwise

Validarea încrucișată este cea mai bună metodă disponibilă când ai un singur set de date, și în același timp insuficientă ca dovadă. Este un test necesar, nu un test suficient.

Pe Healthwise, apare ca forma standard de validare internă în studiile de predicție clinică și ca reper pentru distincția față de validarea externă.

Concluzie

Validarea încrucișată împarte repetat datele în porțiuni de antrenament și de test, mediază performanțele și oferă o estimare a comportamentului pe date noi.

Ce trebuie reținut: limitează supraajustarea, dar nu o elimină, pentru că toate porțiunile provin din aceeași populație; nu înlocuiește validarea externă, iar diferența dintre cele două este cea dintre o promisiune și o demonstrație.