Dynamic updating of prediction rules in a computerized decision support system
Projectomschrijving
Artsen kunnen risicomodellen gebruiken om diagnoses en prognoses van patiënten te bepalen. Dergelijke modellen worden ontwikkeld met patiëntengegevens en vervolgens getest in nieuwe patiënten. Als de prestaties van een model onvoldoende zijn in een nieuwe patiëntengroep, moet het model aangepast worden.
In dit onderzoek vergelijken we verschillende statistische technieken om risicomodellen aan te passen. De uitdaging is om een goede balans te vinden tussen het gebruik van een bestaand model en nieuw verzamelde patiëntengegevens. Als deze balans goed is, zal het aangepaste risicomodel robuust zijn en valide voor de nieuwe situatie.
Verslagen
Eindverslag
Artsen kunnen risicomodellen gebruiken om diagnoses en prognoses van patiënten te bepalen. Dergelijke modellen worden ontwikkeld met patiëntengegevens en vervolgens getest in nieuwe patiënten. Als de prestaties van een model onvoldoende zijn in een nieuwe patiëntengroep, moet het model aangepast worden.
In dit onderzoek ontwikkelden we methoden om risicomodellen aan te passen met nieuwe patiëntengegevens. Het aantal patiënten dat gebruikt kon worden voor de analyses groeide in de tijd.
Externe validatie van predictiemodellen toont vaak aan dat de modellen slechter presteren in nieuwe patiënten dan verwacht. Predictiemodellen kunnen dan aangepast worden naar een specifieke setting. Steeds meer modellen worden geïmplementeerd in elektronische systemen. Dit maakt het mogelijk om de modellen continue aan te passen met patiëntgegevens van de relevante setting. Dynamische update methoden zijn nodig om de groeiende steekproef correct te analyseren. In het 1e jaar van dit project ontwikkelen wij methoden om predictiemodellen dynamisch te updaten, zoals uiteengezet in de onderzoeksaanvraag.
Samenvatting van de aanvraag
Artsen kunnen risicomodellen gebruiken om diagnoses en prognoses van patiënten te bepalen. Dergelijke modellen worden ontwikkeld met patiëntengegevens en vervolgens getest in nieuwe patiënten. Als de prestaties van een model onvoldoende zijn in een nieuwe patiëntengroep, moet het model aangepast worden.
In dit onderzoek vergelijken we verschillende statistische technieken om risicomodellen aan te passen. De uitdaging is om een goede balans te vinden tussen het gebruik van een bestaand model en nieuw verzamelde patiëntengegevens. Als deze balans goed is, zal het aangepaste risicomodel robuust zijn en valide voor de nieuwe situatie.