074. Hipotezy predykcyjne – jak formułować je poprawnie?

Hipoteza predykcyjna jest twierdzeniem o tym, że określone informacje dostępne obecnie pozwolą przewidzieć wynik, który zostanie zaobserwowany później albo nie jest jeszcze znany. Może dotyczyć na przykład ryzyka ponownej hospitalizacji, wystąpienia depresji, pogorszenia stanu pacjenta lub rezygnacji z leczenia. Jej celem nie musi być wyjaśnienie, dlaczego dane zjawisko zachodzi. Najważniejsze pytanie brzmi raczej: czy na podstawie określonych predyktorów można trafnie przewidywać określony wynik w jasno zdefiniowanej populacji?

To rozróżnienie jest istotne, ponieważ model dobrze przewidujący wynik nie musi wskazywać przyczyn badanego zjawiska. Z kolei zmienna ważna z punktu widzenia teorii lub mechanizmu przyczynowego nie zawsze poprawia jakość predykcji. Różnicę między wyjaśnianiem a przewidywaniem szczegółowo omawia Shmueli (2010). W tej lekcji, zgodnie z logiką modułu 4 kursu na statystyk.edu.pl, skupiamy się na przełożeniu problemu praktycznego na poprawnie sformułowaną hipotezę.

Czym jest hipoteza predykcyjna?

Hipoteza predykcyjna to sprawdzalne twierdzenie dotyczące przyszłej lub nieznanej wartości zmiennej wynikowej, formułowane na podstawie jednej albo większej liczby zmiennych dostępnych przed jej pomiarem. W najprostszym ujęciu zawiera cztery elementy:

• populację, której dotyczy przewidywanie;
• moment predykcji, czyli czas, w którym dostępne są dane wejściowe;
• predyktory, czyli zmienne wykorzystywane do przewidywania;
• wynik, który ma zostać przewidziany, wraz z okresem obserwacji.

Przykładowo, zdanie: „U pacjentów przyjmowanych do oddziału ratunkowego wyższe stężenie mleczanów będzie wiązało się z większym ryzykiem zgonu w ciągu 30 dni” jest hipotezą predykcyjną tylko wtedy, gdy wiadomo, że stężenie mleczanów jest mierzone przy przyjęciu, a zgon jest rejestrowany w kolejnych 30 dniach. Bez określenia czasu i populacji zdanie pozostaje zbyt ogólne.

Hipoteza może mieć charakter jakościowy albo ilościowy. Wersja jakościowa mówi, że predykcja będzie lepsza niż proste zgadywanie lub że określony predyktor będzie związany z większym prawdopodobieństwem wyniku. Wersja ilościowa określa oczekiwaną wartość miary jakości predykcji, na przykład pole pod krzywą ROC, błąd średniokwadratowy albo kalibrację modelu.

Predykcja a wyjaśnianie i przyczynowość

W badaniach łatwo pomylić trzy różne cele:

• opis – ustalenie, jak często i u kogo występuje dane zjawisko;
• predykcja – przewidywanie nieznanego wyniku na podstawie dostępnych informacji;
• wnioskowanie przyczynowe – oszacowanie, co zmieniłoby się wskutek celowej zmiany ekspozycji lub interwencji.

Jeżeli badacz stwierdzi, że brak aktywności fizycznej poprawia przewidywanie hospitalizacji, nie oznacza to jeszcze, że zwiększenie aktywności fizycznej zmniejszy liczbę hospitalizacji. Zmienna może być predyktorem dlatego, że odzwierciedla ogólny stan zdrowia, status społeczno-ekonomiczny lub wcześniejsze objawy choroby. W badaniu obserwacyjnym język przyczynowy wymaga odpowiedniego schematu, kontroli zakłóceń i założeń identyfikacji efektu, a sama wartość predykcyjna nie jest dowodem przyczynowości (Shmueli, 2010).

Jak zbudować poprawną hipotezę predykcyjną?

1. Określ populację i punkt wyjścia

Najpierw trzeba ustalić, kogo obejmuje predykcja i kiedy jest wykonywana. „Pacjenci z niewydolnością serca” to określenie niepełne. Należy doprecyzować, czy chodzi o osoby hospitalizowane, pacjentów poradni, osoby po wypisie czy uczestników rejestru. Punkt wyjścia może być związany z przyjęciem do szpitala, rozpoczęciem terapii, pierwszą wizytą albo wykonaniem badania przesiewowego.

Populacja predykcyjna nie jest dodatkiem redakcyjnym. Model może działać dobrze w jednej grupie i słabo w innej, ponieważ zmieniają się częstość wyniku, charakterystyka pacjentów, sposób pomiaru zmiennych oraz organizacja opieki. W badaniach modeli prognostycznych należy więc jasno opisać populację docelową i warunki zastosowania modelu (Moons et al., 2015; Moons et al., 2019).

2. Zdefiniuj wynik i horyzont czasowy

Wynik powinien być operacyjnie jednoznaczny. „Pogorszenie zdrowia” może oznaczać wiele różnych zdarzeń: hospitalizację, wzrost punktacji w skali, rozpoczęcie leczenia lub zgon. Hipoteza musi wskazywać, które zdarzenie będzie analizowane i w jakim okresie.

Przykładowa konstrukcja: „Wśród osób w wieku co najmniej 65 lat zgłaszających się do podstawowej opieki zdrowotnej, model oparty na wieku, liczbie chorób przewlekłych, liczbie hospitalizacji w poprzednim roku i wyniku oceny funkcjonalnej będzie przewidywał hospitalizację w ciągu 90 dni od wizyty”.

3. Wskaż predyktory dostępne przed wynikiem

Predyktor powinien być dostępny w momencie, w którym przewidywanie ma mieć zastosowanie. Jeżeli celem jest przewidzenie powikłania po przyjęciu do szpitala, nie należy używać informacji zebranych dopiero po wystąpieniu powikłania. Takie postępowanie prowadzi do przecieku informacji i sztucznie zawyża jakość modelu.

W hipotezie nie trzeba zawsze wymieniać każdej zmiennej, jeżeli badanie dotyczy całego zestawu predyktorów. Warto jednak określić, czy predyktory wynikają z teorii, wcześniejszych badań, praktyki klinicznej, czy są wybierane algorytmicznie. W badaniu potwierdzającym decyzje o doborze predyktorów powinny być podejmowane przed analizą wyników, a nie na podstawie tego, które zmienne przypadkowo „wyszły” w danych.

4. Określ oczekiwany kierunek albo kryterium jakości

Hipoteza predykcyjna może być kierunkowa: „większa liczba wcześniejszych hospitalizacji będzie wiązała się z większym przewidywanym ryzykiem ponownej hospitalizacji”. Może też dotyczyć całego modelu: „model wieloczynnikowy będzie przewidywał wynik dokładniej niż model oparty wyłącznie na wieku”.

Jeżeli hipoteza odnosi się do jakości predykcji, należy wskazać miarę. Dla wyniku binarnego można rozważyć między innymi:

• zdolność rozróżniania osób z wynikiem i bez wyniku, na przykład za pomocą AUC;
• kalibrację, czyli zgodność ryzyka przewidywanego z ryzykiem obserwowanym;
• wartość predykcyjną lub czułość i swoistość przy wcześniej określonym progu;
• użyteczność kliniczną, jeśli model ma wspierać decyzje.

Nie należy ograniczać oceny do jednej liczby. Model może dobrze rozróżniać osoby o większym i mniejszym ryzyku, a jednocześnie systematycznie zawyżać lub zaniżać ryzyko. W badaniach modeli predykcyjnych zaleca się ocenę zarówno dyskryminacji, jak i kalibracji oraz rozważenie zastosowania modelu w praktyce (Steyerberg et al., 2010; Efthimiou et al., 2024).

Formalny zapis hipotezy predykcyjnej

Załóżmy, że Y oznacza wynik, a X = (X1, X2, ..., Xp) oznacza zestaw predyktorów. Hipotezę można zapisać ogólnie:

Hpred: P(Y = 1 | X) można przewidywać dokładniej niż za pomocą modelu bazowego.

W tym zapisie:

• Y = 1 oznacza wystąpienie badanego zdarzenia, na przykład hospitalizację;
• X oznacza wszystkie informacje dostępne w chwili predykcji;
• P(Y = 1 | X) oznacza prawdopodobieństwo wystąpienia zdarzenia przy określonych wartościach predyktorów;
• model bazowy oznacza punkt odniesienia, na przykład model zawierający jedynie częstość wyniku albo jedną podstawową zmienną kliniczną.

Jeżeli chcemy zapisać hipotezę dotyczącą AUC, możemy użyć postaci:

H1: AUCpełny > AUCbazowy

Hipoteza zerowa w takim porównaniu może mieć postać:

H0: AUCpełny = AUCbazowy

Nie oznacza to jednak, że odrzucenie hipotezy zerowej dowodzi praktycznej użyteczności modelu. Różnica AUC może być statystycznie istotna, ale zbyt mała, aby zmienić decyzję kliniczną. Dlatego oprócz wartości p należy podać wielkość różnicy, przedział ufności, kalibrację i konsekwencje zastosowania modelu. Wartość p nie jest prawdopodobieństwem prawdziwości hipotezy zerowej.

Przykład 1: ratownictwo medyczne

Badacz chce ocenić, czy dane zebrane przez zespół ratownictwa medycznego przy pierwszym kontakcie z pacjentem pozwalają przewidzieć konieczność przyjęcia do oddziału intensywnej terapii w ciągu 24 godzin.

Niepoprawna hipoteza: „Pacjenci z cięższym stanem będą częściej trafiać na intensywną terapię”.

Problem polega na tym, że „cięższy stan” nie został zdefiniowany, nie podano populacji, momentu pomiaru ani dokładnego wyniku.

Poprawiona hipoteza: „Wśród dorosłych pacjentów ocenianych przez zespoły ratownictwa medycznego przed przyjęciem do szpitala model wykorzystujący wiek, częstość oddechów, ciśnienie skurczowe, saturację, poziom świadomości i stężenie mleczanów będzie przewidywał przyjęcie do oddziału intensywnej terapii w ciągu 24 godzin lepiej niż model oparty wyłącznie na wieku”.

Hipoteza wskazuje populację, moment pomiaru, predyktory, wynik, horyzont czasowy i model porównawczy. Nie stwierdza, że którykolwiek z predyktorów powoduje przyjęcie do OIT. Jest to hipoteza o użyteczności predykcyjnej.

Przykład 2: psychologia i zdrowie publiczne

Załóżmy, że badanie obejmuje studentów pierwszego roku. Celem jest przewidywanie rezygnacji z udziału w krótkiej interwencji psychologicznej w ciągu ośmiu tygodni.

Hipoteza: „Po uwzględnieniu wieku i płci wyższy poziom objawów depresyjnych, większe obciążenie pracą zarobkową oraz niższa postrzegana dostępność wsparcia społecznego będą wiązały się z większym prawdopodobieństwem rezygnacji z udziału w interwencji w ciągu ośmiu tygodni od rozpoczęcia programu”.

To zdanie ma charakter predykcyjny, ale zawiera też element interpretacyjny. Jeżeli badanie jest obserwacyjne, bezpieczniej mówić o „wiąże się z większym prawdopodobieństwem” niż o „powoduje rezygnację”. Ponadto hipotezę można uzupełnić o porównanie jakości modelu: „model zawierający te zmienne będzie osiągał lepszą kalibrację i dyskryminację niż model obejmujący wyłącznie cechy demograficzne”.

Przykład praktyczny: jak przejść od pytania do hipotezy

Pytanie praktyczne: Czy można wcześnie przewidzieć, którzy pacjenci po udarze będą wymagali ponownej hospitalizacji?

1. Populacja: dorośli pacjenci wypisywani ze szpitala po udarze niedokrwiennym.
2. Punkt predykcji: dzień wypisu.
3. Predyktory: wiek, wynik w skali funkcjonalnej, liczba chorób współistniejących, wcześniejsze hospitalizacje, dostępność opiekuna i czas transportu do szpitala.
4. Wynik: nieplanowana ponowna hospitalizacja.
5. Horyzont: 30 dni po wypisie.
6. Model bazowy: częstość hospitalizacji w badanej populacji albo model zawierający wyłącznie wiek.
7. Kryterium oceny: dyskryminacja, kalibracja oraz użyteczność przy ustalonym progu ryzyka.

Ostateczna hipoteza: „U dorosłych pacjentów wypisywanych po udarze niedokrwiennym model wykorzystujący informacje dostępne w dniu wypisu będzie przewidywał nieplanowaną ponowną hospitalizację w ciągu 30 dni dokładniej niż model bazowy”.

Przed rozpoczęciem analizy badacz powinien ustalić, co oznacza „dokładniej”. Może to być wyższa wartość AUC, lepsza kalibracja, mniejszy błąd predykcji albo większa użyteczność decyzyjna. Samo dopisanie słowa „dokładniej” nie wystarcza, jeśli nie zostanie zoperacjonalizowane.

Najczęstsze błędy

• Brak horyzontu czasowego. „Przewidywanie powikłań” nie mówi, czy chodzi o 24 godziny, 30 dni czy rok.
• Używanie niejasnych wyników. „Pogorszenie”, „zły przebieg” lub „sukces leczenia” muszą zostać przełożone na mierzalne kryteria.
• Mylenie predykcji z przyczynowością. Dobry predyktor nie musi być przyczyną wyniku.
• Włączanie informacji niedostępnych w chwili predykcji. To prowadzi do przecieku informacji i zawyżenia jakości modelu.
• Formułowanie hipotezy po obejrzeniu wyników. Zmiana hipotezy po analizie danych może prowadzić do HARKingu i należy ją wyraźnie odróżnić od analizy eksploracyjnej.
• Ocenianie modelu wyłącznie za pomocą wartości p. Predykcja wymaga oceny błędu, kalibracji, dyskryminacji i znaczenia praktycznego.
• Brak modelu porównawczego. „Model działa dobrze” nie ma jasnego znaczenia bez wskazania punktu odniesienia.
• Nadmierna liczba predyktorów bez planu. Złożony model może dopasować się do próby i słabo działać w nowych danych. Należy uwzględniać walidację oraz ryzyko nadmiernego dopasowania (Moons et al., 2019; Efthimiou et al., 2024).
• Ukrywanie hipotez drugorzędowych i eksploracyjnych. Przejrzyste raportowanie powinno rozróżniać analizy główne, dodatkowe i eksploracyjne (APA, 2018).

Jak raportować hipotezę predykcyjną?

W protokole lub artykule należy podać: populację, kryteria kwalifikacji, moment predykcji, wynik, horyzont czasowy, źródło predyktorów, sposób postępowania z brakami danych, plan analizy oraz kryteria oceny modelu. W badaniach obserwacyjnych pomocna jest lista STROBE, która wymaga jasnego przedstawienia celów, metod, analiz i ograniczeń (Vandenbroucke et al., 2007). W badaniach modeli predykcyjnych odpowiednim punktem odniesienia jest TRIPOD, natomiast PROBAST pomaga oceniać ryzyko błędu systematycznego i zastosowalność modelu (Moons et al., 2015; Moons et al., 2019).

Przed badaniem warto zapisać hipotezę w protokole lub prerejestracji. Pozwala to odróżnić przewidywania zaplanowane przed analizą od wniosków wygenerowanych po obejrzeniu danych. Standardy APA JARS zalecają również rozdzielanie hipotez, analiz i wniosków na główne, drugorzędowe i eksploracyjne (APA, 2018).

Co warto zapamiętać?

• Hipoteza predykcyjna mówi, jaki wynik można przewidywać na podstawie informacji dostępnych przed jego wystąpieniem lub pomiarem.
• Powinna określać populację, punkt predykcji, predyktory, wynik i horyzont czasowy.
• Predykcja nie jest tym samym co wyjaśnianie ani wnioskowanie przyczynowe.
• Hipoteza może dotyczyć pojedynczego predyktora, całego modelu albo poprawy względem modelu bazowego.
• „Lepsza predykcja” musi być zdefiniowana za pomocą konkretnych miar, takich jak dyskryminacja, kalibracja, błąd predykcji lub użyteczność decyzyjna.
• Istotność statystyczna nie zastępuje oceny wielkości poprawy i znaczenia praktycznego.
• Hipotezy predykcyjne powinny być formułowane przed analizą wyników i odróżniane od późniejszych analiz eksploracyjnych.

Dobrze sformułowana hipoteza predykcyjna nie obiecuje więcej, niż może uzasadnić projekt badania. Precyzyjnie określa, co ma być przewidywane, dla kogo, kiedy i według jakiego kryterium ocenimy jakość przewidywania. Dzięki temu pytanie badawcze, plan analizy i końcowa interpretacja pozostają ze sobą logicznie zgodne.

\n

Źródła i dalsza lektura

\n

1. Shmueli, G. (2010). To Explain or to Predict?. Statistical Science, 25(3), 289–310. DOI: 10.1214/10-STS330.
2. Moons, K. G. M., Altman, D. G., Reitsma, J. B., Ioannidis, J. P. A., Macaskill, P., Steyerberg, E. W., Vickers, A. J., Ransohoff, D. F., Collins, G. S. (2015). Transparent Reporting of a multivariable prediction model for Individual Prognosis Or Diagnosis (TRIPOD): The TRIPOD Statement. Annals of Internal Medicine, 162(1), 55–63. DOI: 10.7326/M14-0697.
3. Moons, K. G. M., Wolff, R. F., Riley, R. D., Whiting, P. F., Westwood, M., Collins, G. S., Reitsma, J. B., Kleijnen, J., Mallett, S. (2019). PROBAST: A Tool to Assess the Risk of Bias and Applicability of Prediction Model Studies: Explanation and Elaboration. Annals of Internal Medicine, 170(1), W1–W33. DOI: 10.7326/M18-1377.
4. Vandenbroucke, J. P., von Elm, E., Altman, D. G., Gøtzsche, P. C., Mulrow, C. D., Pocock, S. J., Poole, C., Schlesselman, J. J., Egger, M.; STROBE Initiative (2007). Strengthening the Reporting of Observational Studies in Epidemiology (STROBE): Explanation and Elaboration. Epidemiology, 18(6), 805–835. DOI: 10.1097/EDE.0b013e3181577511.
5. Efthimiou, O., Seo, M., Chalkou, K., et al. (2024). Developing clinical prediction models: a step-by-step guide. The BMJ, 386, e078276. DOI: 10.1136/bmj-2023-078276.
6. American Psychological Association (2018). APA Style Journal Article Reporting Standards. American Psychological Association. Źródło.

\n