📊 statistics

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

Dit artikel introduceert zeven nieuwe gesloten-vorm oplossingen voor het berekenen van de benodigde steekproefgrootte om de C-statistiek nauwkeurig te schatten tijdens de externe validatie van binaire voorspellingsmodellen, en toont aan dat deze wiskundig equivalente formules dezelfde nauwkeurigheid bieden als bestaande iteratieve methoden, terwijl ze tot 264.000 keer sneller in uitvoering zijn.

Oorspronkelijke auteurs: Denis A. Shah, Erick D. De Wolf, Pierce A. Paul, Laurence V. Madden

Gepubliceerd 2026-05-25

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Denis A. Shah, Erick D. De Wolf, Pierce A. Paul, Laurence V. Madden

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een kristallen bol hebt gebouwd die voorspelt of een patiënt ziek zal worden of gezond zal blijven. Voordat je artsen deze kristallen bol in het echt laat gebruiken, moet je hem testen op een nieuwe groep mensen om te zien of hij echt werkt. Dit heet "externe validatie".

Maar hier zit de adder onder het gras: om een betrouwbare test te krijgen, heb je precies het juiste aantal mensen nodig. Te weinig, en je test is een toevalstreffer; te veel, en je hebt tijd en geld verspild.

Lange tijd was het vinden van dat "precies juiste" aantal als een doolhof in het donker proberen op te lossen. De wiskunde die nodig was om de steekproefgrootte te berekenen, was zo verward dat experts geen rechtstreeks pad konden vinden. In plaats daarvan moesten ze een trage, geautomatiseerde methode gebruiken die een "iteratieve aanpak" wordt genoemd. Denk hierbij aan het proberen te raden van het gewicht van een watermeloen door hem op een weegschaal te leggen, een gok te wagen, hem eraf te halen, een beetje gewicht toe te voegen, opnieuw te raden, en dit proces een miljoen keer te herhalen totdat je dichtbij zit. Het werkt, maar het is traag en vermoeiend.

De Grote Ontdekking
De auteurs van dit artikel, een team statistici uit Kansas en Ohio, besloten om te kijken of er een kortere weg was. Ze vroegen zich af: "Is er een directe formule – een rechte lijn door het doolhof – die ons het antwoord direct geeft?"

Ze gebruikten twee soorten moderne hulpmiddelen om deze kortere weg te vinden:

Computer Algebra Systemen (CAS): Dit zijn als superrekenaars die complexe wiskunde symbolisch kunnen uitvoeren (als een robotwiskundige).
Artificiële Intelligentie (AI): Ze vroegen verschillende AI-chatbots om hetzelfde wiskundige raadsel op te lossen.

Het Resultaat: Zeven Nieuwe Sleutels
Verrassend genoeg vonden ze zeven verschillende manieren om de directe formule te schrijven. Het is alsof ze zeven verschillende sleutels vonden die allemaal precies dezelfde deur openen.

De "Robot"-sleutels: Twee van de formules kwamen van de superrekenaars (Mathematica en Maxima). Ze werkten perfect, maar leken op rommelige, verwarde spaghetti-vergelijkingen die moeilijk voor een mens te lezen waren.
De "AI"-sleutels: De andere vijf kwamen van AI-modellen. Sommige van deze AI's raakten in de war en gaven verkeerde antwoorden (als een student die op een toets het verkeerde antwoord raadt). Maar degenen die het goed hadden, leverden formules op die veel schoner en makkelijker te begrijpen waren.

Waarom Is Dit Belangrijk?
Het artikel bewijst dat deze nieuwe formules exact hetzelfde antwoord geven als de oude, trage "gok"-methode. Als de oude methode zegt dat je 1.154 mensen nodig hebt, zeggen de nieuwe formules ook 1.154 mensen.

Het verschil zit echter in de snelheid.

De oude methode is als een slak.
De nieuwe formules zijn als een raket.

De auteurs hielden een race om te zien hoe snel ze waren. De nieuwe formules waren 148.000 tot 264.000 keer sneller dan de oude methode.

De "Beste" Sleutel
Aangezien alle zeven formules hetzelfde resultaat geven, welke moet je dan gebruiken? De auteurs raden de aanbevolen aan die is gegenereerd door een AI-tool genaamd MathGPT.

Waarom? Het is het meest elegant. Het breekt de complexe wiskunde op in twee eenvoudige, tussentijdse stappen (zoals een huis bouwen met twee stevige bakstenen in plaats van een hoop puin). Dit maakt het veel moeilijker voor een mens om een typfout te maken bij het invoeren in een computerprogramma.

Een Waarschuwing Over AI
Het artikel biedt ook een vriendelijke waarschuwing: hoewel AI krachtig is, kan het onbetrouwbaar zijn met wiskunde. Sommige van de AI-modellen die ze gebruikten, gaven antwoorden die er uitzagen alsof ze goed waren, maar die eigenlijk fout waren toen ze werden gecontroleerd met echte getallen. Je kunt de AI dus niet blindelings vertrouwen; je hebt nog steeds een mens nodig om het werk te controleren.

In Het Kort
Dit artikel is een overwinningsronde voor efficiëntie. De auteurs namen een wiskundig probleem waar iedereen dacht dat een langzaam, omweg vereiste, en toonden aan dat er eigenlijk een rechtstreekse snelweg is. Ze bouwden zeven verschillende kaarten voor deze snelweg, bewezen dat ze allemaal naar dezelfde bestemming leiden, en toonden aan dat het rijden op de nieuwe snelweg bijna direct is in vergelijking met de oude weg. Dit stelt onderzoekers in staat hun studies veel sneller en efficiënter te plannen.

Technische Samenvatting: Gesloten-vorm oplossingen voor het schatten van de steekproefomvang bij externe validatie van binaire voorspellingsmodellen

Probleemstelling
Externe validatie is een kritieke stap om te bepalen of klinische voorspellingsmodellen voor binaire uitkomsten geschikt zijn voor gebruik. Een essentiële vereiste voor een adequate validatie is een voldoende steekproefomvang om modelprestatie-indicatoren nauwkeurig te schatten, specifiek de C-statistiek (equivalent aan het Area Under the ROC Curve). Hoewel Riley en collega's eerder formules hebben voorgesteld om de minimale steekproefomvang te bepalen die nodig is om de C-statistiek met een gewenste precisie te schatten, berustte hun aanpak op een iteratieve numerieke oplossing. Dit was noodzakelijk vanwege de aanname dat een directe algebraïsche herschikking van Newcombe's formule voor de standaardfout van de C-statistiek, $SE(C)$, "niet mogelijk" was. Bijgevolg maken bestaande software-implementaties (in R en Stata) gebruik van computatie intensieve iteratieve methoden om de steekproefomvang ( $N$ ) op te lossen.

Methodologie
De auteurs betwisten de aanname dat een gesloten-vorm oplossing onbereikbaar is. Zij hebben systematisch geprobeerd Newcombe's formule algebraïsch te herschikken om $N$ op te lossen als een functie van de C-statistiek ( $C$ ), de verwachte proportion van uitkomstgebeurtenissen ( $\phi$ ), en de beoogde standaardfout ($SE(C)$).

De methodologie maakte gebruik van twee distincte categorieën computertools:

Computer Algebra Systemen (CAS): De auteurs gebruikten commerciële (Mathematica 12.0) en open-source (Maxima 23.05.1) software voor symbolische manipulatie, het kwadrateren van de vergelijking, het vereenvoudigen van breuken en het oplossen voor wortels.
Kunstmatige Intelligentie (AI) Modellen: De auteurs gaven prompten aan verschillende Large Language Models (LLM's), waaronder Perplexity's Sonar, Anthropic's Claude Sonnet 4.0, OpenAI's GPT 4.1, xAI's Grok 3 Beta, Google's Gemini 2.5 Pro en MathGPT. De modellen kregen de instructie een gesloten-vorm oplossing af te leiden, herhaalde patronen te identificeren voor substitutie en de resultaten numeriek te verifiëren.

De auteurs merkten op dat hoewel AI-modellen succesvol algebraïsche structuren genereerden, zij vaak handmatige verificatie en correctie vereisten, aangezien sommige modellen algebraïsch plausibele maar numeriek onjuiste resultaten produceerden of expressies niet optimaal vereenvoudigden.

Belangrijkste Bijdragen
De primaire bijdrage van dit werk is de presentatie van zeven nieuwe gesloten-vorm oplossingen voor het berekenen van de vereiste steekproefomvang ( $N$ ). Deze oplossingen zijn afgeleid met behulp van verschillende computationele paden (CAS en diverse AI-modellen), wat resulteerde in structureel verschillende maar wiskundig equivalent formules.

Belangrijke aspecten van de afleiding omvatten:

Wiskundige Equivalentie: Ondanks verschillende algebraïsche vormen (sommigen gebruikmakend van kwadratische formulestructuren, anderen met complexe substituties), leveren alle zeven oplossingen identieke numerieke schattingen voor $N$ .
Verificatie: De auteurs verifieerden deze oplossingen tegen de iteratieve methode gebruikt door Riley en collega's over vijf illustrerende voorbeelden en een op roosters gebaseerde gevoeligheidsanalyse met 450 combinaties van parameters ( $C$ van 0,55 tot 0,95 en $\phi$ van 0,01 tot 0,5). In alle gevallen kwamen de gesloten-vorm oplossingen overeen met de iteratieve resultaten (met absolute verschillen $\le 1$ als gevolg van afrondingsconventies voor gehele getallen).
Implementatie: De auteurs bieden R-codefuncties aan die alle zeven gesloten-vorm oplossingen en de oorspronkelijke iteratieve methode implementeren.

Resultaten

Nauwkeurigheid: De gesloten-vorm oplossingen produceren steekproefomschattingen die identiek zijn aan de gevestigde iteratieve aanpak.
Computationele Efficiëntie: Een benchmarkanalyse onthulde een enorme prestatieverschil. De gesloten-vorm oplossingen waren gemiddeld 148.000 tot 264.000 keer sneller in mediane uitvoeringstijd dan de iteratieve implementatie.
Prestatievariatie: Onder de gesloten-vorm oplossingen toonden die afgeleid via AI (specifiek GPT 4.1 en MathGPT) iets snellere uitvoeringstijden dan die afgeleid via traditionele CAS (Mathematica en Maxima), hoewel allen binnen hetzelfde "nanoseconde"-prestatiebereik opereerden.
Robuustheid: De oplossingen bleven stabiel over een brede parameterruimte, zonder waargenomen numerieke instabiliteit.

Betekenis en Claims
Het artikel stelt dat het bestaan van gesloten-vorm oplossingen de berekening van validatiesteekproefomvang transformeert van een computationeel iteratieve taak naar een directe, instantane berekening. Hoewel het snelheidsverschil verwaarloosbaar is voor een enkele berekening, benadrukken de auteurs dat de efficiëntie en stabiliteit van gesloten-vorm oplossingen kritiek zijn voor computationeel intensieve taken, zoals:

Gevoeligheidsanalyses met roosterzoekopdrachten.
Uitgebreide simulatiestudies waarbij de functie miljoenen keren wordt aangeroepen.

De auteurs raden de oplossing afgeleid door MathGPT aan voor routinematig gebruik. Zij betogen dat deze specifieke formulering de meest "elegante" is, waarbij de uiteindelijke vergelijking wordt gereduceerd tot een compacte kwadratische vorm via twee tussenvariabelen ( $A$ en $\delta$ ). Deze modulariteit minimaliseert het risico op transcripiefouten tijdens het coderen en biedt superieure algebraïsche duidelijkheid in vergelijking met de uitgebreide hoog-graad polynomen gevonden in de CAS-afgeleide oplossingen.

Tot slot merkt het artikel op dat hoewel de inversie van Newcombe's formule uniek is in zijn complexiteit binnen het kader van Riley en collega's, de strategie om CAS en AI in te zetten om "onoplosbare" algebraïsche problemen op te lossen breed toepasbaar is op andere biostatistische uitdagingen waarbij wiskundige complexiteit historisch de ontwikkeling van exacte oplossingen heeft belemmerd. De auteurs waarschuwen echter dat AI-tools zorgvuldige menselijke evaluatie vereisen, aangezien zij vatbaar zijn voor het genereren van plausibel klinkende maar wiskundig gebrekkige afleidingen.

Meer zoals dit