📊 statistics

A note on closed-form solutions for estimating sample size when externally validating a binary prediction model based on $C$ -statistic precision

Este artículo presenta siete soluciones novedosas de forma cerrada para calcular el tamaño de muestra necesario para estimar con precisión el estadístico C durante la validación externa de modelos de predicción binaria, demostrando que estas fórmulas matemáticamente equivalentes ofrecen una precisión idéntica a los métodos iterativos existentes mientras son hasta 264.000 veces más rápidas en su ejecución.

Autores originales: Denis A. Shah, Erick D. De Wolf, Pierce A. Paul, Laurence V. Madden

Publicado 2026-05-25

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Denis A. Shah, Erick D. De Wolf, Pierce A. Paul, Laurence V. Madden

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que has construido una bola de cristal que predice si un paciente se enfermará o se mantendrá sano. Antes de permitir que los médicos utilicen esta bola de cristal en la vida real, necesitas probarla en un nuevo grupo de personas para ver si realmente funciona. Esto se llama "validación externa".

Pero aquí está el truco: para obtener una prueba confiable, necesitas exactamente la cantidad adecuada de personas. Si hay muy pocas, tu prueba es un azar; si hay demasiadas, has perdido tiempo y dinero.

Durante mucho tiempo, calcular esa cantidad "adecuada" fue como intentar resolver un laberinto en la oscuridad. Las matemáticas requeridas para calcular el tamaño de la muestra eran tan enredadas que los expertos no podían encontrar un camino directo. En su lugar, tenían que usar un método lento y computarizado llamado "enfoque iterativo". Piensa en esto como intentar adivinar el peso de una sandía poniéndola en una báscula, adivinando, quitándola, añadiendo un poco de peso, adivinando de nuevo, y repitiendo este proceso un millón de veces hasta acercarse. Funciona, pero es lento y tedioso.

El Gran Descubrimiento
Los autores de este artículo, un equipo de estadísticos de Kansas y Ohio, decidieron ver si existía un atajo. Se preguntaron: "¿Existe una fórmula directa, una línea recta a través del laberinto, que nos dé la respuesta al instante?"

Utilizaron dos tipos de herramientas modernas para encontrar este atajo:

Sistemas de Álgebra Computacional (CAS): Son como supercalculadoras que pueden realizar matemáticas complejas de forma simbólica (como un robot matemático).
Inteligencia Artificial (IA): Pidieron a varios chatbots de IA diferentes que resolvieran el mismo acertijo matemático.

El Resultado: Siete Nuevas Llaves
Sorprendentemente, encontraron siete formas diferentes de escribir la fórmula directa. Es como si hubieran encontrado siete llaves diferentes que abren exactamente la misma puerta.

Las llaves "Robot": Dos de las fórmulas provienen de las supercalculadoras (Mathematica y Maxima). Funcionaron perfectamente, pero parecían ecuaciones de espagueti enredados y desordenados, difíciles de leer para un humano.
Las llaves "IA": Las otras cinco provienen de modelos de IA. Algunos de estos IAs se confundieron y dieron respuestas incorrectas (como un estudiante que adivina la respuesta equivocada en un examen). Pero los que acertaron produjeron fórmulas mucho más limpias y fáciles de entender.

¿Por qué importa esto?
El artículo demuestra que estas nuevas fórmulas dan exactamente la misma respuesta que el antiguo y lento método de "adivinar". Si el método antiguo dice que necesitas 1.154 personas, las nuevas fórmulas dicen 1.154 personas.

Sin embargo, la diferencia está en la velocidad.

El método antiguo es como un caracol.
Las nuevas fórmulas son como un cohete.

Los autores organizaron una carrera para ver qué tan rápidos eran. Las nuevas fórmulas fueron de 148.000 a 264.000 veces más rápidas que el método antiguo.

La llave "mejor"
Dado que las siete fórmulas dan el mismo resultado, ¿cuál deberías usar? Los autores recomiendan la generada por una herramienta de IA llamada MathGPT.

¿Por qué? Es la más elegante. Descompone las matemáticas complejas en dos pasos intermedios simples (como construir una casa con dos ladrillos sólidos en lugar de un montón de escombros). Esto hace que sea mucho más difícil que un humano cometa un error tipográfico al escribirla en un programa informático.

Una advertencia sobre la IA
El artículo también ofrece una amable advertencia: aunque la IA es poderosa, puede ser poco fiable con las matemáticas. Algunos de los modelos de IA que utilizaron dieron respuestas que parecían correctas pero que en realidad eran incorrectas cuando se verificaron con números reales. Por lo tanto, no puedes confiar ciegamente en la IA; aún necesitas que un humano verifique el trabajo.

En resumen
Este artículo es una vuelta de la victoria por la eficiencia. Los autores tomaron un problema matemático que todos pensaban que requería un camino lento y sinuoso, y demostraron que en realidad existe una autopista directa. Construyeron siete mapas diferentes para esta autopista, demostraron que todos conducen al mismo destino y mostraron que conducir por la nueva autopista es casi instantáneo en comparación con la antigua carretera. Esto permite a los investigadores planificar sus estudios mucho más rápido y de manera más eficiente.

Resumen Técnico: Soluciones de Forma Cerrada para la Estimación del Tamaño Muestral en la Validación Externa de Modelos de Predicción Binaria

Planteamiento del Problema
La validación externa es un paso crítico para determinar si los modelos de predicción clínica para resultados binarios son aptos para su uso. Un requisito fundamental para una validación adecuada es un tamaño muestral suficiente para estimar con precisión las métricas de rendimiento del modelo, específicamente la estadística C (equivalente al Área Bajo la Curva ROC). Aunque Riley et al. propusieron previamente fórmulas para determinar el tamaño muestral mínimo necesario para estimar la estadística C con una precisión deseada, su enfoque dependía de una solución numérica iterativa. Esto fue necesario debido a la suposición de que una reordenación algebraica directa de la fórmula de Newcombe para el error estándar de la estadística C, $SE(C)$, era "imposible". En consecuencia, las implementaciones de software existentes (en R y Stata) utilizan métodos iterativos computacionalmente intensivos para resolver el tamaño muestral ( $N$ ).

Metodología
Los autores desafían la suposición de que una solución de forma cerrada es inalcanzable. Intentaron sistemáticamente reordenar algebraicamente la fórmula de Newcombe para resolver $N$ como una función de la estadística C ( $C$ ), la proporción anticipada de eventos del resultado ( $\phi$ ) y el error estándar objetivo ($SE(C)$).

La metodología empleó dos categorías distintas de herramientas computacionales:

Sistemas de Álgebra Computacional (CAS): Los autores utilizaron software comercial (Mathematica 12.0) y de código abierto (Maxima 23.05.1) para realizar manipulación simbólica, elevar la ecuación al cuadrado, simplificar fracciones y resolver raíces.
Modelos de Inteligencia Artificial (IA): Los autores solicitaron a varios Modelos de Lenguaje Grande (LLM), incluyendo Sonar de Perplexity, Claude Sonnet 4.0 de Anthropic, GPT 4.1 de OpenAI, Grok 3 Beta de xAI, Gemini 2.5 Pro de Google y MathGPT, que derivaran una solución de forma cerrada, identificaran patrones repetidos para sustitución y verificaran los resultados numéricamente.

Los autores notaron que, aunque los modelos de IA generaron con éxito estructuras algebraicas, a menudo requirieron verificación y corrección manual, ya que algunos modelos produjeron resultados algebraicamente plausibles pero numéricamente incorrectos o no lograron simplificar las expresiones de manera óptima.

Contribuciones Clave
La contribución principal de este trabajo es la presentación de siete soluciones novedosas de forma cerrada para calcular el tamaño muestral requerido ( $N$ ). Estas soluciones se derivaron utilizando diferentes vías computacionales (CAS y varios modelos de IA), resultando en fórmulas estructuralmente distintas pero matemáticamente equivalentes.

Aspectos clave de la derivación incluyen:

Equivalencia Matemática: A pesar de las formas algebraicas diferentes (algunas utilizando estructuras de la fórmula cuadrática, otras involucrando sustituciones complejas), las siete soluciones producen estimaciones numéricas idénticas para $N$ .
Verificación: Los autores validaron estas soluciones contra el método iterativo utilizado por Riley et al. en cinco ejemplos ilustrativos y un análisis de sensibilidad basado en una cuadrícula que involucraba 450 combinaciones de parámetros ( $C$ de 0.55 a 0.95 y $\phi$ de 0.01 a 0.5). En todos los casos, las soluciones de forma cerrada coincidieron con los resultados iterativos (con diferencias absolutas $\le 1$ debido a las convenciones de redondeo a enteros).
Implementación: Los autores proporcionan funciones de código R que implementan las siete soluciones de forma cerrada y el método iterativo original.

Resultados

Precisión: Las soluciones de forma cerrada producen estimaciones de tamaño muestral idénticas al enfoque iterativo establecido.
Eficiencia Computacional: Un análisis de referencia reveló una enorme disparidad de rendimiento. Las soluciones de forma cerrada fueron, en promedio, 148,000 a 264,000 veces más rápidas en tiempo de ejecución mediano que la implementación iterativa.
Varianza de Rendimiento: Entre las soluciones de forma cerrada, aquellas derivadas mediante IA (específicamente GPT 4.1 y MathGPT) demostraron tiempos de ejecución ligeramente más rápidos en comparación con las derivadas mediante CAS tradicionales (Mathematica y Maxima), aunque todas operaron dentro del mismo rango de rendimiento de "nanosegundos".
Robustez: Las soluciones permanecieron estables en un amplio espacio de parámetros, sin inestabilidad numérica observada.

Significado y Afirmaciones
El artículo afirma que la existencia de soluciones de forma cerrada transforma el cálculo de tamaños muestrales de validación de una tarea iterativa computacionalmente intensiva a un cálculo directo e instantáneo. Aunque la diferencia de velocidad es insignificante para un solo cálculo, los autores destacan que la eficiencia y la estabilidad de las soluciones de forma cerrada son críticas para tareas computacionalmente intensivas, como:

Análisis de sensibilidad que involucran búsquedas en cuadrícula.
Estudios de simulación extensos donde la función se llama millones de veces.

Los autores recomiendan la solución derivada por MathGPT para uso rutinario. Argumentan que esta formulación específica es la más "elegante", reduciendo la ecuación final a una forma cuadrática compacta mediante dos variables intermedias ( $A$ y $\delta$ ). Esta modularidad minimiza el riesgo de errores de transcripción durante la codificación y ofrece una claridad algebraica superior en comparación con los polinomios de alto grado expandidos encontrados en las soluciones derivadas por CAS.

Finalmente, el artículo señala que, aunque la inversión de la fórmula de Newcombe es única en su complejidad dentro del marco de Riley et al., la estrategia de aprovechar CAS e IA para resolver problemas algebraicos "intratables" es ampliamente aplicable a otros desafíos en bioestadística donde la complejidad matemática ha obstaculizado históricamente el desarrollo de soluciones exactas. Los autores advierten, sin embargo, que las herramientas de IA requieren una evaluación humana cuidadosa, ya que son propensas a generar derivaciones que suenan plausibles pero son matemáticamente defectuosas.

Más como este