Model prognostik untuk pendukung keputusan perlu melaporkan pengobatan yang ditargetkan dan perubahan yang diharapkan dalam hasil pengobatan

Editor yang terhormat, TRIPOD+AI memastikan bahwa para peneliti melaporkan informasi yang cukup bagi pembaca untuk memverifikasi apakah model prediktif yang diterbitkan sesuai dengan tujuannya, memberikan layanan yang luar biasa dengan meningkatkan standar dan mengurangi limbah penelitian. Namun jika menyangkut model prognostik yang kegunaan utamanya adalah untuk mendukung pengambilan keputusan klinis, kami menyarankan agar para peneliti melaporkan dua pertimbangan penting terkait peran pengobatan. Pertama, TRIPOD+AI memerlukan penentuan keputusan klinis yang ingin didukung oleh model (item 3b). Kami menyebutnya sebagai pengobatan yang ditargetkan. Kami menyarankan agar para peneliti juga melaporkan cara prediksi tergantung pada pengobatan yang ditargetkan. Hal ini penting karena dalam data pengembangan dan evaluasi, adalah umum bagi beberapa pasien untuk menerima pengobatan yang ditargetkan, yang pada gilirannya mempengaruhi hasil pengobatan mereka. Misalnya, QRISK adalah model prediksi risiko penyakit kardiovaskular selama 10 tahun yang digunakan di layanan kesehatan primer di Inggris untuk mendukung keputusan memulai penggunaan profilaksis statin. [1,2]. Dalam data yang digunakan untuk pengembangan QRISK, banyak pasien memulai terapi statin selama masa tindak lanjut yang mengurangi risiko efek samping. Oleh karena itu, pasien dapat dinilai sebagai 'risiko rendah' ​​berdasarkan model karena pasien serupa mulai menggunakan statin pada suatu saat selama masa tindak lanjut. Tidak meresepkan statin kepada pasien-pasien ini karena mereka diklasifikasikan sebagai 'berisiko rendah' ​​akan menyebabkan hasil yang lebih buruk [3, 4, 5]. TRIPOD+AI menyatakan bahwa “setiap pengobatan yang diterima…” dan “cara pemberiannya… (jika relevan)” harus dilaporkan (butir 6c), namun hal ini tidak membedakan pengobatan yang ditargetkan dengan pengobatan lainnya. Perbedaan ini penting untuk dibuat. Peneliti mungkin salah mengartikan item ini hanya sebagai panggilan untuk mendeskripsikan populasi sasaran. Dengan memperjelas peran pengobatan yang ditargetkan memungkinkan pembaca untuk memverifikasi apakah desain dan analisis penelitian valid untuk menggunakan model prediktif dalam membuat keputusan klinis sesuai keinginan, dan dengan demikian mengurangi risiko kesalahan yang tidak diinginkan yang mungkin terjadi. dengan QRISK. Kedua, karena dampak klinis dari model prognostik ditentukan oleh bagaimana model tersebut mengubah keputusan klinis, penulis juga harus menjelaskan jenis keputusan pengobatan pasien apa yang mungkin berubah ketika menggunakan model tersebut, dan dengan cara apa. Sebagai contoh bagaimana hal-hal buruk bisa terjadi, Cooper dan rekannya menggambarkan sebuah algoritma yang diusulkan untuk mendukung keputusan mengenai pasien pneumonia mana yang dapat dirawat dengan aman sebagai pasien rawat jalan dan pasien mana yang harus dirawat di rumah sakit, dengan memprediksi risiko kematian mereka. [6]. Yang penting, pasien asma secara historis memiliki risiko kematian yang lebih rendah karena pengobatan efektif yang mereka terima di rumah sakit. Sebuah model yang dilatih berdasarkan data historis menunjukkan bahwa pasien asma dapat dirawat dengan aman sebagai pasien rawat jalan, sehingga berpotensi menimbulkan situasi yang tidak aman [7]. Dampak buruk dari model ini dapat dideteksi jika penulis diminta untuk melaporkan bagaimana pengobatan yang ditargetkan – rawat inap – diberikan di masa lalu, dan bagaimana pengobatan tersebut kemudian akan dialokasikan kembali (pasien asma akan lebih kecil kemungkinannya untuk dirawat di rumah sakit) jika model tersebut digunakan. akan digunakan untuk mendukung pengambilan keputusan. Kami yakin rekomendasi tambahan kami pada daftar periksa, dengan formulasi awal dari item yang terdapat dalam suplemen (https://doi.org/10.5281/zenodo.11193841), akan memperkuat peran TRIPOD+AI sebagai dasar model transparan pelaporan. Secara lebih luas, menggabungkan pemikiran kausal ke dalam pengembangan dan evaluasi model prediktif dapat lebih memitigasi masalah yang diangkat di atas dengan secara hati-hati menangani peran pengobatan yang ditargetkan sebelum dan sesudah penerapan model. [8 – 12]. Referensi[1] Hippisley-Cox, J., Coupland, C., Vinogradova, Y., Robson, J., May, M., & Brindle, P. (2007). Penurunan dan validasi QRISK, skor risiko penyakit kardiovaskular baru untuk Inggris: studi kohort terbuka prospektif. Bmj, 335(7611), 136.
[2] Hippisley-Cox, J., Coupland, CA, Bafadhel, M., Russell, RE, Sheikh, A., Brindle, P., & Channon, KM (2024). Pengembangan dan validasi algoritma baru untuk meningkatkan prediksi risiko kardiovaskular. Pengobatan Alam, 1-8.
[3] Peek N, Sperrin M, Mamas M, van Staa T, Buchan I. Seldon Day, QRISK3, dan paradoks prediksi. BMJ. 2017;357:2099.
[4] Sperrin M, Martin GP, ​​​​Pate A, Van Staa T, Peek N, Buchan I. Menggunakan model struktural marjinal untuk menyesuaikan penghentian pengobatan saat mengembangkan model prediksi klinis. Statistik Med. 2018;37:4142–4154.
[5] Xu Z, Arnold M, Stevens D, dkk. Prediksi Akuntansi Risiko Penyakit Kardiovaskular untuk Inisiasi Pengobatan Statin di Masa Depan. Jurnal Epidemiologi Amerika. 2021;190:2000–14.
[6] Cooper, GF, Aliferis, CF, Ambrosino, R., Aronis, J., Buchanan, BG, Caruana, R., … & Spirtes, P. (1997). Evaluasi metode pembelajaran mesin untuk memprediksi kematian pneumonia. Kecerdasan buatan dalam kedokteran, 9(2), 107-138.
[7] Caruana, R., Lou, Y., Gehrke, J., Koch, P., Sturm, M., & Elhadad, N. (2015, Agustus). Model layanan kesehatan yang andal: Memprediksi risiko pneumonia dan masuk kembali ke rumah sakit dalam 30 hari. Dalam Prosiding konferensi internasional ACM SIGKDD ke-21 tentang penemuan pengetahuan dan penambangan data (hlm. 1721-1730).
[8] van Amsterdam, WAC, van Geloven, N., Krijthe, JH, Ranganath, R., & Ciná, G. (2024). Ketika model peramalan yang akurat menghasilkan prediksi yang terwujud dengan sendirinya (arXiv:2312.01210). arXiv. https://doi.org/10.48550/arXiv.2312.01210
[9] van Amsterdam, WAC, Jong, PA de, Verhoeff, JJC, Leiner, T., & Ranganath, R. (2024). Dari algoritma hingga tindakan: Meningkatkan pelayanan pasien memerlukan hubungan sebab dan akibat. Informatika Medis dan Pengambilan Keputusan BMC, 24(1). https://doi.org/10.1186/s12911-024-02513-3
[10] Dickerman, BA, Dahabreh, IJ, Cantos, KV, Logan, RW, Lodi, S., Rentsch, CT, Justice, AC, & Hernán, MA (2022). Memprediksi risiko kontrafaktual berdasarkan strategi pengobatan hipotetis: Penerapan pada HIV. Jurnal Epidemiologi Eropa, 37(4), 367–376. https://doi.org/10.1007/s10654-022-00855-8
[11] van Geloven, N., Swanson, SA, Ramspek, CL, Luijken, K., van Diepen, M., Morris, TP, … & le Cessie, S. (2020). Prediksi memenuhi inferensi kausal: peran pengobatan dalam model prediksi klinis. Jurnal epidemiologi Eropa, 35, 619-630.
[12] van Geloven, N., Keogh, RH, van Amsterdam, W., Cinà, G., Krijthe, JH, Peek, N., … & Didelez, V. (2024). Titik buta kausal ketika menggunakan model prediktif untuk keputusan pengobatan. arXiv pracetak arXiv:2402.17366.