Preterana interpretacija nalaza u studijama modela predviđanja mašinskog učenja u onkologiji: sistematski pregled.
Journal of clinical epidemiology
Sažetak istraživanja
Ciljevi U biomedicinskim istraživanjima, spin je preterana interpretacija nalaza i izaziva sve veću zabrinutost. Do danas, prisustvo spina nije evaluirano u istraživanju prognostičkih modela u onkologiji, uključujući studije koje razvijaju i potvrđuju modele za individualizirano predviđanje rizika.
Dizajn i postavljanje studije Izvršili smo sistematski pregled, pretražujući MEDLINE i EMBASE za studije vezane za onkologiju koje su razvile i potvrdile prognostički model koristeći mašinsko učenje objavljen između 1. januara 2019. i 5. septembra 2019. Koristili smo postojeće spin okvire i opisali područja vrlo sugestivnih spin praksi.
Rezultati Uključili smo 62 publikacije (uključujući 152 razvijena modela; 37 validiranih modela). Izvještavanje je bilo nekonzistentno između metoda i rezultata u 27% studija zbog dodatne analize i selektivnog izvještavanja. Trideset i dvije studije (od 36 primjenjivih studija) prijavile su poređenja između razvijenih modela u svojoj diskusiji i uglavnom su koristile mjere diskriminacije da podrže svoje tvrdnje (78%). Trideset pet studija (56%) koristilo je previše jaku ili vodeću riječ u svom naslovu, sažetku, rezultatima, raspravi ili zaključku.
Zaključak Potencijal spina treba uzeti u obzir pri čitanju, tumačenju i korištenju studija koje su razvile i potvrdile prognostičke modele u onkologiji. Istraživači bi trebali pažljivo prijaviti svoje istraživanje prognostičkog modela koristeći riječi koje odražavaju njihove stvarne rezultate i snagu dokaza.
Prikaži originalni naslov i sažetak na engleskom
Overinterpretation of findings in machine learning prediction model studies in oncology: a systematic review.
Objectives In biomedical research, spin is the overinterpretation of findings, and it is a growing concern. To date, the presence of spin has not been evaluated in prognostic model research in oncology, including studies developing and validating models for individualized risk prediction. Study design and setting We conducted a systematic review, searching MEDLINE and EMBASE for oncology-related studies that developed and validated a prognostic model using machine learning published between 1st January, 2019, and 5th September, 2019. We used existing spin frameworks and described areas of highly suggestive spin practices.
Results We included 62 publications (including 152 developed models; 37 validated models). Reporting was inconsistent between methods and the results in 27% of studies due to additional analysis and selective reporting. Thirty-two studies (out of 36 applicable studies) reported comparisons between developed models in their discussion and predominantly used discrimination measures to support their claims (78%). Thirty-five studies (56%) used an overly strong or leading word in their title, abstract, results, discussion, or conclusion.
Conclusion The potential for spin needs to be considered when reading, interpreting, and using studies that developed and validated prognostic models in oncology. Researchers should carefully report their prognostic model research using words that reflect their actual results and strength of evidence.
Izvorni podaci
- DOI
- 10.1016/j.jclinepi.2023.03.012
- PMID
- 36935090
- PMCID
- PMC11913775
- Provjereno
- 2026-07-26
Naslov i sažetak prevedeni su automatski i prijevod može sadržavati netačnosti ili neprecizne stručne izraze. Za sve detalje, citiranje i medicinsko tumačenje pregledajte originalnu englesku verziju članka. Ne donosite zdravstvene odluke samo na osnovu ovog prijevoda.
Pregledaj originalni članak na engleskom