Este documento apresenta uma lista de 11 itens relevantes que devem ser explicitados ao descrever modelos preditivos resultantes de revisões sistemáticas, como a fonte e características dos dados, participantes, preditores, desenvolvimento e avaliação do modelo, resultados e interpretação. A lista tem o objetivo de fornecer uma estrutura para a descrição completa dos modelos preditivos.
2018 Cleverson Tabajara - aspectos relevantes a serem descritos em modelos preditores - charms checklist
1. Itens relevantes a serem explicitados em modelos de predição resultantes de uma revisão sistemática
Compilado por: Prof. Cleverson Tabajara Vianna – tabajara@ifsc.edu.br
Se você projetou um modelo preditivos, este checklist será com certeza bastante útil. Embora voltado para a área da
saúde (utilizado em Revisões Sistem[áticas), poderá ser aplicado a outras áreas utilizando-se bom senso e organização.
Nos apresenta os tópicos relevantes a serem observados e que obrigatoriamente devem constar da descrição do
modelo proposto, conforme CHARMS checklist (2014).
Assim ao descrever seu modelo, repasse cada um destes tópicos e relate todos os itens aplicáveis e SUCESSO‼
Fonte: Adaptado de CHARMS Checklist 2014 - Critical Appraisal and Data Extraction for Systematic Reviews of Prediction Modelling Studies
Como citar este checklist:
VIANNA, Cleverson Tabajara. Itens relevantes a serem explicitados em modelos de predição resultantes de uma revisão sistemática.
Florianópolis, 2018, 1p. Disponível em: <copie aqui o site onde achou >. Acesso em: 01 jan. 201x
Itens relevantes a serem explicitados em modelos de predição resultantes de uma revisão sistemática
1. FONTE DOS DADOS
Onde foram obtidos. Condições: randomizados; sequenciais; como foram registrados; provenientes de outras pesquisas.
2. PARTICIPANTES
Descrição do tipo de participante.
Como foram recrutados e escolhidos os participantes.
Locais, períodos e critérios de inclusão/exclusão.
Detalhes da intervenção ou exposição dos pacientes.
3. RESULTADOS ESPERADOS QUE SERÃO MONITORADOS (PREDITORES)
Formas, métodos e instrumentos para medida.
Métodos estratificados por tipo de pacientes ou método geral aplicado.
Resultados esperados. Tempo para obtenção dos resultados.
Como foram acompanhados os resultados.
4. PREDITORES ESTABELECIDOS
Quantos e quais preditores: demográficos, históricos, físicos, testes adicionais, tipos de doenças.
Definição da forma de medida dos preditores
Quando são tomadas as medidas: apresentação, diagnostico, tratamento
Modelo e processo de manuseio dos preditores (contínuo, não linear, categorias)
5. TAMANHO DAS AMOSTRAS
Quantidade de participantes, de resultados e eventos.
Relação/proporção de eventos por preditores.
Perdas de dados em cada preditor. Como foi tratada a perda de dados em cada preditor.
6. PERDA DE DADOS
Quantidade de participantes que apresentaram alguma perda de dados – separada por preditores.
Métodos de manuseio dos dados perdidos (inferência, imputação, etc.
7. DESENVOLVIMENTO DO MODELO
Método de modelagem (redes neurais, técnicas de machine learning)
Premissas e hipóteses do modelo que foram satisfeitas ou insatisfeitas.
Método de seleção de preditores para inclusão inicial, e durante a modelagem de multivariáveis (todos, critérios de pré-
seleção, outliers)
Pesos, coeficientes e ajustes aplicados aos preditores.
8. PERFORMANCE DO MODELO
Calibragem (testes, frequência, do piloto)
Discriminação (C-statistic, D-statistic, intervalos de confiança, alfa de Cronbach, etc.)
Classificação e pontos de corte ((e.g., sensitivity, specificity, predictive values, net reclassification improvement).
9. AVALIAÇÃO DO MODELO
Método para teste da performance do modelo: conjunto de dados; cross-validation; validações externas;
temporalidade; diferenças de setup.
Como o modelo foi ajustado, recalibrado. Preditores foram ajustados ou adicionados.
10. RESULTADOS
Modelo final (ampliação; simplificação; pesos dos preditores; coeficientes; medidas de performance)
Riscos, scores em grupos e subgrupos específicos.
Comparação e distribuição dos preditores para o desenvolvimento de conjuntos de dados;
11. INTERPRETAÇÃO E DISCUSSÃO
Confirmação do modelo, sua usabilidade teórica e prática, e outras pesquisas necessárias.
Comparações com outros estudos e modelos.
Discussões sobre: generalização, forças, fraquezas, riscos de tendenciosidades/viés e limitações.