Bayesian sample size calculations for external validation studies of risk prediction models
تقترح هذه الورقة إطاراً بايزياً عاماً لتحديد أحجام العينات في دراسات التحقق الخارجي لنماذج التنبؤ بالمخاطر، والذي يأخذ في الاعتبار صراحةً عدم اليقين في أداء النموذج ويدمج اعتبارات متعددة المعايير، بما في ذلك الدقة المتوقعة، واحتمالات التأكد، وقيمة المعلومات لصافي المنفعة، مما يؤدي غالباً إلى متطلبات أكثر كفاءة لحجم العينة مقارنة بالطرق التقليدية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك طاهٍ ابتكر وصفة حساء ثورية جديدة. لقد اختبرتها في مطبخك الخاص (دراسة التطوير) وكان طعمها مذهلاً. الآن، تريد تقديم هذا الحساء لمدينة كاملة من الناس (المجتمع المستهدف). قبل أن تفتتح مطعمك هناك، تحتاج إلى إجراء "اختبار تذوق" للتأكد من أن الحساء لا يزال يعمل بشكل جيد مع المكونات المختلفة والأذواق المختلفة. هذا ما يسميه العلماء التحقق الخارجي (External Validation).
السؤال الكبير هو: كم عدد الأشخاص الذين تحتاج لدعوتهم لهذا الاختبار؟
إذا دعوت عدداً قليلاً جداً، فقد تحصل على نتيجة عابرة (ربما صادف أن الحساء كان لذيذاً في ذلك اليوم فقط). وإذا دعوت عدداً كبيراً جداً، فستضيع الوقت والمال والمكونات.
الطريقة القديمة: تخمين النكهة الدقيقة
تقليدياً، استخدم العلماء طريقة (مثل طريقة ريلي وآخرون) تطلب منك تخمين رقم واحد ثابت لمدى جودة الحساء.
- مثال: "أراهن أن معدل نجاح الحساء سيكون 90%".
- ثم يحسبون: "لإثبات أن نسبة النجاح هي 90% مع هامش خطأ قدره 5%، نحتاج إلى 1,000 شخص".
المشكلة: هذا النهج يتجاهل الواقع. أنت لا تعرف بالفعل أن الحساء جيد بنسبة 90% بالضبط. قد يكون 85%، أو 95%. الطريقة القديمة تعامل تخمينك كحقيقة مطلقة، وهذا أمر محفوف بالمخاطر. الأمر يشبه التخطيط لرحلة بالسيارة بافتراض أنك ستقود بسرعة 60 ميلاً في الساعة بالضبط طوال الوقت، متجاهلاً حركة المرور، والرياح، والتعب.
الطريقة الجديدة: "توقعات الطقس" البايزية (Bayesian)
يقترح هذا البحث نهجاً أكثر ذكاءً، وهو النهج البايزي (Bayesian). بدلاً من تخمين رقم ثابت واحد، أنت تقر بعدم اليقين وتنشئ نطاقاً من الاحتمالات (توزيع احتمالي).
فكر في الأمر مثل توقعات الطقس.
- الطريقة القديمة: "سوف تمطر في الساعة 2:00 ظهراً". (محددة للغاية، وغالباً ما تكون خاطئة).
- الطريقة الجديدة: "هناك احتمال 70% لهطول الأمطار، و20% لرذاذ خفيف، و10% لجو مشمس". (صادقة بشأن عدم اليقين).
في هذا الإطار الجديد، تقول: "بناءً على الاختبارات السابقة، أنا متأكد من أن الحساء جيد، لكنه قد يكون في أي مكان بين 'مقبول' و'مذهل'". ثم تقوم بتشغيل آلاف عمليات المحاكاة الحاسوبية لمعرفة ما سيحدث مع أحجام عينات مختلفة.
ثلاث قواعد جديدة لاختبار التذوق
يقترح البحث ثلاث طرق مختلفة لتحديد عدد الأشخاص الذين ستدعوهم، اعتماداً على ما تضعه في اعتبارك:
1. قاعدة "المتوسط" (الدقة المتوقعة)
- التشبيه: أنت تريد أن تكون النتيجة المتوسطة لاختبار التذوق الخاص بك دقيقة للغاية.
- كيف تعمل: تسأل نفسك، "إذا دعوت 500 شخص، فما هو متوسط عرض هامش الخطأ الخاص بي؟" إذا كان متوسط الخطأ صغيراً بما يكفي، فأنت راضٍ.
- لماذا هي أفضل: لأنها تستخدم كل البيانات المتاحة لديك، وليس مجرد تخمين واحد.
2. قاعدة "شبكة الأمان" (الضمان)
- التشبيه: أنت مستثمر يتجنب المخاطر. لا تريد فقط أن تكون النتيجة المتوسطة جيدة؛ بل تريد أن تكون متأكداً بنسبة 90% من أنك لن تحصل على نتيجة سيئة.
- كيف تعمل: تسأل، "إذا دعوت 500 شخص، فهل هناك احتمال بنسبة 90% ألا يكون هامش الخطأ الخاص بي كبيراً جداً؟"
- لماذا هي أفضل: أحياناً يكون "المتوسط" جيداً، ولكن هناك احتمال ضئيل لحدوث كارثة. هذه القاعدة تحميك من تلك الكارثة. إنها تشبه شراء تأمين إضافي.
3. قاعدة "هل يستحق الأمر؟" (قيمة المعلومات)
- التشبيه: هذا هو الجزء الأكثر إبداعاً. تخيل أنك تقرر ما إذا كنت ستفتح سلسلة مطاعم.
- الاستراتيجية (أ): عدم فتح المطعم (آمن، ولكن لا يوجد ربح).
- الاستراتيجية (ب): فتح المطعم بناءً على الحساء (مخاطرة، ولكن ربح عالٍ إذا كان جيداً).
- الاستراتيجية (ج): فتح المطعم بناءً على نوع آخر من الحساء.
- السؤال: "إذا دعوت 500 شخص لتذوق الحساء، هل ستساعدني هذه المعلومات فعلياً في اتخاذ قرار تجاري أفضل؟"
- كيف تعمل: إذا كانت نتائج اختبار التذوق من المرجح أن تغير رأيك (مثلاً: "أوه واو، الحساء في الواقع سيء للغاية، دعونا لا نفتح المطعم!")، فإن الاختبار ذو قيمة. أما إذا كانت نتائج الاختبار لن تغير رأيك (كنت ستفتحه على أي حال، أو كنت ستلغي الفكرة على أي حال)، فإن الاختبار هدر للمال، بغض النظر عن مدى دقته.
- المفاجأة: في مثال البحث (التنبؤ بتدهور حالة مرضى كوفيد-19)، وجدوا أنه للحصول على قياس "مثالي إحصائياً" للمعايير، كانوا بحاجة إلى 1,181 مريضاً. ولكن، إذا أرادوا فقط معرفة ما إذا كان النموذج مفيداً لاتخاذ القرارات الطبية، فقد احتاجوا فقط إلى 522 مريضاً. الـ 600 مريض الإضافيون لم يضيفوا ما يكفي من القيمة لتبرير تكلفتهم.
المثال الواقعي: "حساء كوفيد-19"
اختبر المؤلفون هذا على نموذج حقيقي يُستخدم للتنبؤ بما إذا كان مرضى كوفيد-19 الذين دخلوا المستشفى ستتدهور حالتهم.
- الطريقة القديمة قالت: "تحتاج إلى 1,056 مريضاً لتكون دقيقاً إحصائياً".
- الطريقة الجديدة قالت:
- إذا كنت تريد أن تكون متأكداً بنسبة 90% من الحصول على قياس دقيق: "تحتاج إلى 1,181 مريضاً".
- إذا سألت، "هل سيغير اختبار المزيد من الناس قراراتنا الطبية؟" (قيمة المعلومات): "لا. 522 مريضاً كافٍ".
الخلاصة: من خلال استخدام نهج "قيمة المعلومات"، أدرك الباحثون أنه يمكنهم توفير وقت وموارد مئات المرضى دون فقدان أي فائدة حقيقية في العالم الواقعي.
لماذا يهم هذا؟
هذا البحث هو دعوة للتوقف عن معاملة النماذج العلمية كحقائق مثالية وغير قابلة للتغيير.
- الاعتراف بعدم اليقين: اعترف بأننا لا نعرف الحقيقة الدقيقة بعد.
- كن مرناً: اختر أحجام العينات بناءً على مقدار المخاطرة التي أنت مستعد لتحملها (الضمان).
- كن عملياً: لا تجمع البيانات لمجرد "الدقة" فقط. اجمع البيانات فقط إذا كانت تساعدك على اتخاذ قرار أفضل (قيمة المعلومات).
باختصار، هذه الطريقة الجديدة تشبه الانتقال من المشي الأعمى المتصلب إلى رحلة تنزه منظمة حيث تتحقق من الخريطة، وتتحقق من الطقس، وتسأل: "هل هذا الانحراف سيجعلنا نصل إلى وجهتنا بشكل أسرع حقاً؟"
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.