Diterbitkan
Daftar periksa TRIPOD+AI adalah standar pelaporan yang diharapkan jurnal saat ini ketika sebuah manuskrip mengembangkan atau mengevaluasi model prediksi klinis, baik model tersebut menggunakan regresi logistik atau random forest. Diterbitkan di BMJ pada April 2024 oleh Collins dan rekan-rekannya, daftar periksa ini berisi 27 item bernomor, menggantikan daftar periksa TRIPOD 2015, dan meminta detail yang tidak pernah diberikan oleh makalah-makalah sebelumnya, seperti keadilan, akses kode, dan keterlibatan pasien dan publik. 1
Sebagian besar panduan hanya berhenti pada daftar item. Panduan ini melangkah lebih jauh. Setelah daftar periksa itu sendiri, kami memberi skor pada setiap item makalah pembelajaran mesin akses terbuka yang sebenarnya, dengan bagian makalah di samping setiap penilaian, sehingga Anda dapat melihat seperti apa daftar periksa yang lengkap dan di mana penulis biasanya kehilangan poin.
Dalam Kata Sederhana
TRIPOD+AI adalah daftar berisi 27 hal yang harus Anda sampaikan kepada pembaca dalam makalah Anda jika Anda telah membangun atau menguji alat yang memprediksi hasil pasien. Daftar ini memberi tahu Anda apa yang harus dilaporkan, bukan bagaimana cara membangun modelnya. Isi daftar ini dengan nomor halaman atau baris untuk setiap item, kirimkan bersama manuskrip Anda, dan seorang peninjau dapat memeriksa makalah Anda dalam hitungan menit tanpa perlu menebak apa yang kurang.
Apa itu Daftar Periksa TRIPOD+AI dan Apa yang Berubah dari TRIPOD 2015?
TRIPOD adalah singkatan dari Transparent Reporting of a multivariable prediction model for Individual Prognosis Or Diagnosis (Pelaporan Transparan Model Prediksi Multivariabel untuk Prognosis atau Diagnosis Individual). Versi 2015 mencantumkan 37 entri setelah sub-item dihitung, dan ditulis ketika sebagian besar model prediksi berupa persamaan regresi.<sup> 1</sup> Sejak itu, pembelajaran mesin telah menjadi umum dalam penelitian prediksi, dan pembaruan 2024 dibangun untuk mencakup kedua tradisi dalam satu dokumen. Para penulis menggunakan tinjauan sistematis literatur, survei Delphi dua putaran, dan pertemuan konsensus daring. Putaran Delphi pertama dikirim ke 292 orang dan 170 orang menyelesaikannya. Putaran kedua mencapai 200 peserta yang menyelesaikannya dari 27 negara.<sup> 1</sup>
Tiga poin penting untuk pengajuan Anda. Pertama, pedoman tersebut menyatakan dengan jelas bahwa daftar periksa baru menggantikan versi 2015, yang seharusnya tidak lagi digunakan. 1 Jika jurnal target Anda masih menautkan daftar periksa lama, ikuti versi 2024 dan sebutkan hal itu dalam surat pengantar. Kedua, TRIPOD+AI adalah pedoman pelaporan dan bukan alat penilaian kualitas. Alat ini memeriksa apakah Anda telah menjelaskan apa yang Anda lakukan, bukan apakah apa yang Anda lakukan itu valid. Untuk penilaian, komunitas riset yang sama menerbitkan PROBAST+AI pada tahun 2025, alat yang diperbarui untuk risiko bias dan penerapan dalam studi model prediksi. 3 Ketiga, pedoman tersebut dilengkapi dengan daftar periksa 13 item untuk abstrak, sehingga abstrak dinilai berdasarkan standarnya sendiri.
Jika Anda masih ragu antara pedoman akurasi diagnostik dan pedoman model prediksi, bacalah perbandingan STARD dan TRIPOD kami terlebih dahulu. Perbandingan tersebut menjelaskan pedoman pelaporan mana yang sesuai dengan pertanyaan penelitian mana, dan artikel ini mengasumsikan Anda telah memilih TRIPOD+AI. Pohon keputusan kami untuk memilih pedoman pelaporan mencakup berbagai pilihan yang lebih luas.
Sekilas tentang 27 Item dalam Daftar Periksa TRIPOD+AI
Tabel di bawah ini meringkas daftar periksa lengkap menjadi 27 item bernomor. Kami memparafrasekan kata-katanya agar tetap singkat, jadi gunakan daftar periksa resmi dari situs web TRIPOD untuk teks persis yang akan Anda kirimkan. Kolom terakhir menunjukkan siapa yang bertanggung jawab atas item tersebut. D berarti studi pengembangan model, E berarti studi evaluasi (validasi) model, dan D;E berarti keduanya.
Tabel 1. 27 item daftar periksa TRIPOD+AI, ringkas. Struktur sumber dari Collins dkk., BMJ 2024.
| Barang | Tema | Berlaku untuk | Apa yang perlu dilaporkan (disusun ulang) |
|---|---|---|---|
| 1 | Judul | D;E | Sebutkan jenis penelitian, apakah mengembangkan atau mengevaluasi model prediksi, dan sebutkan populasi sasaran serta hasilnya. |
| 2 | Abstrak | D;E | Ikuti daftar TRIPOD+AI untuk Abstrak yang terdiri dari 13 item terpisah. |
| 3a sampai 3c | Latar Belakang | D;E | Konteks dan dasar pemikiran perawatan kesehatan, model yang ada, populasi sasaran dan tujuan penggunaan dalam alur perawatan, pengguna yang dituju, dan kesenjangan kesehatan yang diketahui antara kelompok sosiodemografis. |
| 4 | Tujuan | D;E | Nyatakan apakah penelitian tersebut mengembangkan model, memvalidasi model yang sudah ada, atau keduanya. |
| 5a, 5b | Data | D;E | Sumber data untuk data pengembangan dan evaluasi secara terpisah, alasan pemilihan data tersebut, seberapa representatif data tersebut, serta tanggal mulai dan berakhirnya pengumpulan data partisipan. |
| 6a sampai 6c | Peserta | D;E | Informasi mengenai lokasi, jumlah dan letak pusat layanan, kriteria kelayakan, serta perawatan yang diterima dan cara penanganannya. |
| 7 | Persiapan data | D;E | Pra-pemrosesan dan pemeriksaan kualitas, termasuk apakah data tersebut serupa di berbagai kelompok sosiodemografis. |
| 8a sampai 8c | Hasil | D;E | Definisi hasil yang tepat dan jangka waktu penilaian, bagaimana dan kapan penilaian dilakukan, siapa yang melakukan penilaian jika diperlukan penilaian, dan metode penyamaran (blinding) yang digunakan. |
| 9a sampai 9c | Prediktor | D (9a), D;E (9b, 9c) | Bagaimana prediktor awal dipilih, definisi dan waktu yang tepat untuk setiap prediktor, dan siapa yang mengukur prediktor yang perlu dinilai. |
| 10 | Ukuran sampel | D;E | Bagaimana ukuran sampel penelitian ditentukan, beserta perhitungannya, secara terpisah untuk pengembangan dan evaluasi. |
| 11 | Data hilang | D;E | Bagaimana data yang hilang ditangani dan mengapa data tertentu dihilangkan. |
| 12a sampai 12g | metode analitis | D, E atau keduanya berdasarkan sub-item | Pembagian data, penanganan prediktor, jenis dan penyetelan model, heterogenitas antar klaster, ukuran kinerja, pembaruan model, dan bagaimana prediksi dihitung dalam evaluasi. |
| 13 | Ketidakseimbangan kelas | D;E | Jika metode ketidakseimbangan digunakan, mengapa dan bagaimana, serta bagaimana prediksi dikalibrasi ulang setelahnya. |
| 14 | Keadilan | D;E | Pendekatan apa pun yang digunakan untuk mengatasi keadilan model, dan alasannya. |
| 15 | Keluaran model | D | Bentuk output (probabilitas atau kelas) dan bagaimana ambang batas ditetapkan. |
| 16 | Pelatihan versus evaluasi | D;E | Perbedaan antara data pengembangan dan evaluasi dalam hal pengaturan, kelayakan, hasil, dan prediktor. |
| 17 | Persetujuan etis | D;E | Dewan pemberi persetujuan dan pengaturan persetujuan atau pengesampingan. |
| 18a sampai 18f | Buka sains | D;E | Pendanaan dan peran pemberi dana, konflik kepentingan, akses protokol, registrasi, ketersediaan data, dan ketersediaan kode. |
| 19 | Keterlibatan pasien dan publik | D;E | Keterlibatan apa yang terjadi, atau pernyataan bahwa tidak ada keterlibatan sama sekali. |
| 20a sampai 20c | Peserta (hasil) | D;E (20c hanya E) | Alur partisipan dengan jumlah hasil, karakteristik berdasarkan sumber data, dan untuk evaluasi, perbandingan dengan data pengembangan. |
| 21 | Pengembangan model | D;E | Jumlah peserta dan kejadian hasil dalam setiap analisis. |
| 22 | Spesifikasi model | D | Detail model lengkap agar pihak ketiga dapat membuat prediksi dan mengevaluasi model, dengan batasan akses apa pun. |
| 23a, 23b | Performa model | D;E | Estimasi kinerja dengan interval kepercayaan, termasuk subkelompok utama, dan heterogenitas antar klaster jika diperiksa. |
| 24 | Pembaruan model | E | Hasil dari setiap pembaruan, seperti kalibrasi ulang, dan kinerja setelahnya. |
| 25 | Interpretasi | D;E | Interpretasi keseluruhan dari hasil utama, termasuk keadilan. |
| 26 | keterbatasan | D;E | Keterbatasan seperti sampel yang tidak representatif, ukuran sampel, overfitting, dan data yang hilang, serta pengaruhnya terhadap bias dan generalisasi. |
| 27a sampai 27c | Kemudahan penggunaan dalam perawatan saat ini | D (27a, 27b), D;E (27c) | Penanganan input yang buruk atau tidak tersedia, interaksi pengguna dan keahlian yang dibutuhkan, serta langkah selanjutnya untuk penelitian. |
Pengembangan, Evaluasi, atau Keduanya? Item Mana yang Harus Anda Miliki?
Jika dihitung semua entri berhuruf, daftar periksa ini memiliki 52 baris. Empat puluh baris berlaku untuk studi pengembangan dan evaluasi, delapan baris hanya berlaku untuk pengembangan, dan empat baris hanya berlaku untuk evaluasi. Baris yang hanya untuk pengembangan adalah 9a, 12a, 12b, 12c, 15, 22, 27a, dan 27b. Baris yang hanya untuk evaluasi adalah 12f, 12g, 20c, dan 24.
Pemisahan tersebut mengubah apa yang Anda serahkan. Tim yang membangun model dan mengujinya pada sampel yang ditahan dan pada dataset eksternal wajib menyerahkan seluruh daftar. Tim yang hanya menguji model yang dipublikasikan orang lain wajib menyerahkan baris evaluasi, dan harus menjelaskan bagaimana mereka menghitung prediksi model tersebut (12g) dan bagaimana data mereka berbeda dari data pengembangan asli (20c, 16). Melewatkan 12g membuat pembaca tidak dapat mengetahui apakah persamaan asli atau versi yang disesuaikan ulang yang diuji.
Logika yang sama juga membantu saat Anda merencanakan analisis. Jika Anda memperkirakan seorang peninjau akan meminta kurva keputusan, buatlah sejak awal dan laporkan di bawah 12e. Penjelasan singkat kami tentang analisis kurva keputusan menunjukkan manfaat bersih apa yang ditambahkan di luar diskriminasi, dan panduan kami tentang kurva ROC dan nilai prediktif mencakup sisi diskriminasi.
Tiga Kelompok Item Baru yang Mengejutkan Para Penulis
Para penulis TRIPOD+AI menyatakan bahwa versi 2015 tidak mencakup beberapa perkembangan, yaitu keadilan, praktik sains terbuka, dan keterlibatan pasien dan masyarakat.<sup> 1 </sup> Ketiga area tersebut sesuai dengan butir 14, 18, dan 19, dan daftar periksa tahun 2015 tidak memberikan petunjuk kepada penulis untuk salah satu dari area tersebut, sehingga mudah untuk membiarkan adanya celah.
Keadilan (butir 3c, 7, 8a, 14, 23a dan 25)
Keadilan terjalin melalui enam item, bukan satu. Anda diminta untuk menjelaskan ketidaksetaraan kesehatan yang diketahui (3c), untuk menyatakan apakah persiapan data dan penilaian hasil konsisten di seluruh kelompok sosiodemografis (7, 8a), untuk menjelaskan pendekatan keadilan apa pun (14), untuk melaporkan kinerja untuk subkelompok utama (23a), dan untuk membahas keadilan dalam interpretasi (25). Jika dataset Anda tidak memiliki rincian ras, jenis kelamin, atau usia, nyatakan demikian, dan jelaskan apa artinya bagi kelompok yang dapat dan tidak dapat Anda bicarakan.
Sains terbuka (butir 18a hingga 18f)
Butir 18 menggabungkan enam pengungkapan yang sebelumnya tersebar. Pernyataan protokol, pernyataan registrasi, pernyataan ketersediaan data, dan pernyataan ketersediaan kode masing-masing memerlukan jawaban, bahkan jika jawabannya adalah bahwa tidak ada protokol yang disiapkan atau studi tersebut tidak terdaftar. Daftar periksa ini menerima jawaban negatif. Namun, daftar periksa ini tidak menerima keheningan.
Keterlibatan pasien dan masyarakat (butir 19)
Butir 19 menanyakan keterlibatan apa yang terjadi selama perancangan, pelaksanaan, pelaporan, atau penyebaran, atau pernyataan bahwa tidak ada keterlibatan sama sekali. Artikel panduan mencatat bahwa butir ini mencapai kesepakatan 69% pada putaran Delphi kedua, sedikit di bawah ambang batas 70%, dan kelompok pengarah mempertahankannya untuk pertemuan konsensus. 1 Perlakukan ini sebagai persyaratan nyata. Satu kalimat saja sudah cukup jika tidak ada keterlibatan.
Contoh Penerapan Daftar Periksa TRIPOD+AI pada Model Akses Terbuka Nyata
Untuk menunjukkan penggunaan daftar periksa, kami menilai satu makalah yang telah diterbitkan. Lei dan rekan-rekannya mengembangkan ensemble stacking untuk memprediksi cedera hati terkait sepsis (SALI) pada pasien perawatan intensif, menggunakan MIMIC-IV untuk pelatihan dan validasi internal serta eICU-CRD untuk validasi eksternal. Makalah tersebut diterbitkan di Journal of Medical Internet Research pada tahun 2025 di bawah lisensi CC BY 4.0, itulah sebabnya kami dapat mengutipnya, dan makalah tersebut menyatakan bahwa mereka mengikuti TRIPOD+AI dan menyediakan daftar periksa yang telah lengkap. 2
Kami memilihnya karena alasan praktis. Para penulis melakukan banyak hal dengan benar, jadi latihan ini menunjukkan seperti apa pengajuan yang kuat, dan beberapa pertanyaan yang tersisa adalah jenis pertanyaan yang akan diajukan oleh peninjau yang cermat. Kami membaca teks lengkapnya. Di mana putusan bergantung pada penilaian, baris tersebut bertuliskan "Keputusan berdasarkan penilaian". Kutipan-kutipan tersebut singkat dan persis sama dengan teks lengkap akses terbuka.
Cara membaca putusan
Dilaporkan berarti item tersebut dijawab dalam teks. Sebagian dilaporkan berarti beberapa elemen ada dan yang lainnya hilang. Tidak ditemukan berarti kami tidak dapat menemukannya dalam teks lengkap dan lampiran yang dapat kami baca. Penilaian subjektif berarti seorang peninjau yang wajar dapat memberi skor pada baris tersebut dengan cara apa pun, dan catatan tersebut menjelaskan alasannya. Ini adalah pembacaan teks oleh Editverse dan bukan penilaian resmi TRIPOD+AI.
Tabel 2. Item TRIPOD+AI diberi skor berdasarkan Lei dkk., J Med Internet Res 2025 (CC BY 4.0). Editverse membaca teks lengkapnya.
| Barang | Di mana harus mencari di koran | Apa yang dilaporkan oleh surat kabar tersebut | Putusan |
|---|---|---|---|
| 1 | Judul | Judul tersebut menyebutkan pengembangan dan validasi, populasi (pasien dengan sepsis) dan hasil (SALI). Judul diakhiri dengan “Studi Pengembangan dan Validasi Berdasarkan Studi Kohort Multisentris”. | Dilaporkan |
| 2 | Abstrak | Data yang disajikan mencakup sumber data, definisi hasil, model, metrik, dan AUC. Kami tidak memberikan skor berdasarkan 13 item abstrak tersebut. | Keputusan yang harus diambil |
| 3a | Pendahuluan, paragraf 1 sampai 3 | Memberikan konteks klinis dan alasan untuk pembelajaran mesin yang dapat dijelaskan. Model prediksi SALI sebelumnya tidak dikutip dalam Pendahuluan. | Sebagian dilaporkan |
| 3b | Pendahuluan, paragraf terakhir | Pengguna yang dituju hanya disebut sebagai "profesional perawatan kesehatan". Posisi dalam alur perawatan tidak dijelaskan. | Keputusan yang harus diambil |
| 3c | Teks lengkap | Tidak ada pernyataan mengenai kesenjangan kesehatan antar kelompok sosiodemografis. | Tidak ditemukan |
| 4 | Pendahuluan, paragraf penutup, dan Abstrak | Tujuannya adalah untuk mengembangkan model penumpukan yang dapat dijelaskan untuk memprediksi SALI. Validasi dijelaskan dalam Metode. | Dilaporkan |
| 5a | Metode, Sumber Data | MIMIC-IV untuk pengembangan dan validasi internal, eICU-CRD untuk validasi eksternal, masing-masing dijelaskan secara terpisah. | Dilaporkan |
| 5b | Metode, Sumber Data | Versi basis data dan tahun data (2008 hingga 2019 untuk MIMIC-IV, 2014 hingga 2015 untuk eICU-CRD) diberikan. Tanggal mulai dan berakhirnya pengumpulan data secara tepat tidak disebutkan. | Sebagian dilaporkan |
| 6a | Metode, Sumber Data | MIMIC-IV berasal dari satu rumah sakit di AS. eICU-CRD digambarkan sebagai proyek multisenter di seluruh AS. Jumlah pusat eICU tidak disebutkan. | Sebagian dilaporkan |
| 6b | Metode, Peserta | Terdapat lima kriteria inklusi dan tiga kriteria eksklusi yang tercantum. | Dilaporkan |
| 6c | Metode, Prediktor | Penggantian ginjal, ventilasi, dan vasopressor masuk sebagai prediktor. Bagaimana penanganan selanjutnya dilakukan relatif terhadap waktu prediksi tidak disebutkan. | Keputusan yang harus diambil |
| 7 | Metode, Persiapan Data | Proses pembersihan data, imputasi, normalisasi, dan pengkodean data dummy dijelaskan. Tidak ada pengecekan antar kelompok sosiodemografis yang dilaporkan. | Sebagian dilaporkan |
| 8a | Metode, Hasil | SALI didefinisikan sebagai INR di atas 1.5 dan bilirubin total di atas 2 dalam rentang waktu tertentu. Alasannya adalah, “Mengingat tidak adanya standar baku untuk mendiagnosis SALI, kami mendefinisikannya berdasarkan kriteria dari penelitian sebelumnya”. | Dilaporkan |
| 8b, 8c | Metode, Hasil | Hasilnya berasal dari ambang batas laboratorium, jadi penilai subjektif dan metode penyamaran (blinding) mungkin tidak berlaku. Teks tersebut tidak menyebutkannya. | Keputusan yang harus diambil |
| 9a | Metode, Hasil, dan Temuan, Peserta | Jumlah variabel awal dikurangi menjadi 42 variabel berdasarkan pengetahuan domain dan langkah berbasis data, dan variabel kontinu yang berkorelasi tinggi dihilangkan. | Dilaporkan |
| 9b | Metode, Prediktor, dan Hasil | Prediktor laboratorium mencakup “Data laboratorium dalam 72 jam pertama setelah masuk ICU”, sedangkan jendela hasil berlangsung dari 24 jam hingga 1 minggu. Bilirubin total dan INR muncul baik sebagai prediktor maupun dalam definisi hasil. Hal ini perlu diklarifikasi lebih lanjut. | Keputusan yang harus diambil |
| 10 | Metode, Ukuran Sampel | Diberikan sebuah perhitungan, yang didasarkan pada aturan bahwa “pengembangan model harus mematuhi prinsip setidaknya 10 kejadian per variabel”. Lihat bagian selanjutnya untuk mengetahui mengapa ini adalah metode yang sudah ketinggalan zaman. | Dilaporkan |
| 11 | Metode, Data yang Hilang | Variabel dengan lebih dari 30% data yang hilang dikecualikan, dan imputasi berganda dengan lima kumpulan data yang diimputasi dan aturan Rubin dijelaskan. | Dilaporkan |
| 12a, 12b | Metode, Persiapan Data | Pembagian 70/30 antara MIMIC-IV dan eICU-CRD dipertahankan untuk validasi eksternal, dan standardisasi ditambah pengkodean dummy. | Dilaporkan |
| 12c | Metode, Metode Analisis, dan Hasil | Sembilan algoritma dan sebuah ensemble stacking dijelaskan. Metode menyebutkan bahwa meta-modelnya "biasanya regresi logistik" dan kemudian Lasso "dipilih sebagai meta-model". Penyetelan dijelaskan sebagai pencarian grid dalam Metode dan sebagai pencarian grid acak ditambah optimasi Bayesian dalam Hasil. | Keputusan yang harus diambil |
| 12d | Teks lengkap | eICU-CRD menggabungkan data dari banyak rumah sakit, tetapi tidak dijelaskan bagaimana menangani heterogenitas antar rumah sakit. | Tidak ditemukan |
| 12e | Metode, Evaluasi Kinerja Model | ROC-AUC, PR-AUC, skor Brier, plot kalibrasi, dan analisis kurva keputusan dijelaskan secara rinci, masing-masing dengan tujuannya sendiri. | Dilaporkan |
| 12f dan 24 | Hasil, Pembaruan Model, dan Tabel 2 | Tabel 2 melaporkan kejadian yang diamati dan yang diharapkan sebelum dan setelah kalibrasi. Apakah ini termasuk pembaruan model dalam pengertian TRIPOD+AI masih belum jelas. | Keputusan yang harus diambil |
| 12g | Ketersediaan Data | Kode tersedia di GitHub, di mana prediksi dapat direproduksi. Teks tersebut tidak menjelaskan bagaimana prediksi model bertumpuk dihitung untuk evaluasi. | Keputusan yang harus diambil |
| 13 | Metode, Diskriminasi | Para penulis mengatakan bahwa PR-AUC “sangat berharga ketika kelas-kelasnya tidak seimbang, seperti halnya pada prediksi SALI”. Tidak ada pernyataan tentang resampling dalam hal apa pun. | Keputusan yang harus diambil |
| 14 | Teks lengkap | Tidak ada pendekatan keadilan yang dijelaskan. | Tidak ditemukan |
| 15 | Metode, Kegunaan Klinis | Kurva keputusan mencakup berbagai ambang batas. Cara pemilihan ambang batas operasional tunggal tidak dijelaskan. | Sebagian dilaporkan |
| 16 | Hasil, Kekuatan, dan Keterbatasan | Tingkat kejadian berbeda antara data pengembangan dan data eksternal, dan para penulis mengaitkan AUC eksternal yang lebih rendah dengan variabilitas antar rumah sakit. | Sebagian dilaporkan |
| 17 | Metode, Pertimbangan Etis | Mengutip protokol dewan peninjau kelembagaan MIT yang mencakup MIMIC-IV dan menjelaskan mengapa persetujuan dikesampingkan. | Dilaporkan |
| 18a | Ucapan Terima Kasih | Tiga hibah disebutkan namanya. Peran para pemberi dana tidak dijelaskan. | Sebagian dilaporkan |
| 18b | Inti permasalahan | Menyatakan “Konflik Kepentingan: Tidak ada yang dinyatakan.” | Dilaporkan |
| 18c, 18d | Teks lengkap | Tidak ada protokol atau pernyataan pendaftaran. | Tidak ditemukan |
| 18e, 18f | Ketersediaan Data | Disebutkan bahwa “Semua data perantara dapat diperoleh dari penulis atas permintaan yang wajar, dan kode terkait tersedia di GitHub”. | Dilaporkan |
| 19 | Teks lengkap | Tidak ada pernyataan mengenai keterlibatan pasien dan masyarakat. | Tidak ditemukan |
| 20a, 20b, 20c | Gambar 1, Ukuran Sampel, dan Tabel 1 | Diagram alur dengan jumlah pengecualian, tabel dasar yang mencakup pelatihan, set internal dan eksternal, serta jumlah kejadian untuk masing-masing. | Dilaporkan |
| 21 | Metode, Ukuran Sampel, dan Hasil, Peserta | Jumlah dan persentase kejadian berbeda antar bagian (lihat di bawah), dan himpunan eksternal diberikan sebagai 4236 pasien dalam Metode dan Tabel 1 tetapi 4358 dalam satu kalimat Hasil. | Keputusan yang harus diambil |
| 22 | Metode, Metode Analitis, dan GitHub | Struktur penumpukan dijelaskan. Koefisien meta-model yang sesuai tidak diberikan dalam teks, sehingga pihak ketiga bergantung pada repositori tersebut. | Sebagian dilaporkan |
| 23a | Hasil | AUC diberikan sebagai estimasi titik seperti 0.8401 dan 0.7077. Kami tidak menemukan interval kepercayaan. | Tidak ditemukan |
| 23b | Teks lengkap | Tidak ada penampilan dari kelompok rumah sakit. | Tidak ditemukan |
| 25 | Diskusi, Temuan Utama | Hasil utama diinterpretasikan berdasarkan literatur klinis. Aspek keadilan tidak dibahas. | Sebagian dilaporkan |
| 26 | Diskusi, Kekuatan dan Keterbatasan | Kriteria yang dikemukakan meliputi desain retrospektif, kinerja eksternal yang lebih rendah, definisi hasil berbasis laboratorium, data hanya dari AS, dan tidak adanya variabel dinamis, termasuk bahwa "definisi SALI berdasarkan ambang batas laboratorium dan bukan konfirmasi histologis mungkin telah salah mengklasifikasikan cedera hati subklinis". | Dilaporkan |
| 27a, 27b | Teks lengkap | Tidak ada panduan mengenai input yang buruk atau hilang pada saat implementasi, atau mengenai keahlian pengguna yang dibutuhkan. | Tidak ditemukan |
| 27c | Diskusi, Kekuatan dan Keterbatasan | Prospek pekerjaan di masa depan dan aliran data waktu nyata diusulkan. | Dilaporkan |
Dari 43 baris yang dikelompokkan, kami memberi skor 16 sebagai Dilaporkan, 9 sebagai Sebagian dilaporkan, 10 sebagai Keputusan penilaian, dan 8 sebagai Tidak ditemukan. Baris "Tidak ditemukan" terkumpul tepat di area yang ditambahkan atau diperbaiki oleh pembaruan tahun 2024, yaitu keadilan, protokol dan registrasi, keterlibatan publik, kinerja subkelompok, dan panduan penyebaran. Deskripsi pemodelan dalam makalah ini menyeluruh, dan celah-celah tersebut terletak pada item-item yang lebih baru.
Apa yang Diajarkan oleh Contoh yang Diberi Catatan
Aturan praktis bukanlah perhitungan ukuran sampel.
Contoh tersebut membenarkan sampelnya dengan aturan sepuluh kejadian per variabel. Menggunakan angka-angkanya sendiri, 428 kejadian pelatihan di 42 prediktor memberikan 10.2 kejadian per prediktor, sehingga memenuhi aturan tersebut dengan selisih yang tipis. Butir 10 TRIPOD+AI meminta Anda untuk menjelaskan bagaimana ukuran studi tersebut ditentukan, dan latar belakang pedoman tersebut mengutip metode ukuran sampel yang lebih baru untuk mengembangkan dan mengevaluasi model. 1 Salah satunya, oleh Riley dan rekan-rekannya di BMJ, menggantikan aturan tunggal dengan kriteria yang bergantung pada jumlah parameter kandidat, proporsi hasil, dan kesesuaian model yang diharapkan. 4 Jika model Anda menggunakan pembelajaran mesin fleksibel, jumlah parameter lebih besar daripada jumlah prediktor, yang membuat aturan sepuluh kejadian kurang meyakinkan. Laporkan perhitungan yang Anda gunakan dan jelaskan mengapa perhitungan tersebut sesuai dengan tipe model Anda.
Angka-angka harus konsisten di seluruh bagian.
Item 21 meminta partisipan dan kejadian dalam setiap analisis. Dalam contoh, paragraf Metode tentang ukuran sampel mencantumkan kejadian pelatihan sebanyak 428 (10.10%) dan kejadian validasi internal sebanyak 165 (3.90%). Bagian Hasil memberikan jumlah yang sama yaitu 6.92% dan 6.22%, dan perhitungan aritmatika mendukung angka Hasil, karena 428 dari 6183 adalah 6.92% dan 165 dari 2651 adalah 6.22%. Set eksternal adalah 4236 pasien dalam Metode dan Tabel 1, dan 648 dari 4236 adalah 15.30%, namun satu kalimat Hasil menyebutkan 4358. Semua ini tidak mengubah temuan. Ini adalah jenis perbedaan yang dapat dengan cepat dilihat oleh peninjau, dan pemeriksaan konsistensi internal sebelum pengajuan akan menghilangkannya.
Jelaskan tujuan suatu metode, dan jelaskan sekali saja.
Butir 12c menanyakan jenis model, semua langkah pembuatan model, dan penyetelannya. Ketika Metode dan Hasil mendeskripsikan penyetelan secara berbeda, atau menyebutkan dua meta-model yang berbeda, pembaca tidak dapat mengetahui deskripsi mana yang benar. Tulis paragraf pembuatan model sekali saja, di bagian Metode, dan biarkan Hasil merujuk kembali ke paragraf tersebut.
Penentuan waktu prediktor bukanlah detail kecil.
Butir 9b menanyakan bagaimana dan kapan setiap prediktor diukur. Model prediksi hanya berguna jika inputnya tersedia sebelum hasil terjadi. Ketika jendela prediktor dan jendela hasil tumpang tindih, atau ketika prediktor merupakan bagian dari definisi hasil, pembaca memerlukan kalimat eksplisit yang menjelaskan titik waktu prediksi. Ini adalah pertanyaan tentang kejelasan dan bukan tuduhan, dan mudah untuk diperbaiki.
Interval kepercayaan adalah hal yang wajib ada, bukan opsional.
Item 23a meminta estimasi kinerja dengan interval kepercayaan. Satu AUC dari set validasi yang terdiri dari beberapa ribu pasien mengandung ketidakpastian nyata, dan AUC eksternal dalam contoh tersebut adalah angka yang paling ingin dipercaya oleh pembaca. Interval bootstrap mudah ditambahkan dan tidak mahal. Untuk penyegaran tentang bagaimana model berbasis regresi dibangun dan dilaporkan, lihat ikhtisar kami tentang model regresi dalam penelitian medis.
Cara Melengkapi Daftar Periksa TRIPOD+AI Sebelum Anda Mengirimkan
Pedoman ini merekomendasikan agar penulis menyerahkan daftar periksa yang telah diisi lengkap yang menunjukkan halaman atau baris tempat setiap item dapat ditemukan. 1 Prosedur di bawah ini berlaku untuk manuskrip yang sudah selesai.
- Unduh daftar periksa yang dapat diisi. Unduh dari situs web TRIPOD dan sertakan tanggal versi dalam nama file Anda.
- Pilih D, E, atau keduanya. Untuk keperluan studi Anda, coret baris yang tidak berlaku, dengan memberikan alasan jika tidak jelas.
- Isi setiap baris dengan lokasi., dengan menggunakan nomor halaman dan baris dari berkas pengajuan, bukan hanya nama bagian saja.
- Tuliskan jawaban negatifnya. Untuk butir 18c, 18d, 19 dan 3c, sebaiknya diisi daripada dibiarkan kosong. Pernyataan bahwa tidak ada protokol yang disiapkan sudah memenuhi butir tersebut.
- Lakukan pengecekan konsistensi. Membandingkan setiap jumlah, persentase, dan deskripsi model di seluruh abstrak, Metode, Hasil, tabel, dan gambar.
- Tambahkan interval kepercayaan untuk setiap perkiraan kinerja utama dan untuk perkiraan subkelompok utama.
- Periksa abstraknya dibandingkan dengan daftar TRIPOD+AI untuk Abstrak yang terdiri dari 13 item.
- Periksa petunjuk jurnal tersebut., karena sebagian meminta daftar periksa sebagai lampiran dan sebagian lainnya sebagai bagian dari formulir pengajuan.
Model prediksi yang dibangun berdasarkan data rutin juga membutuhkan rencana persiapan data yang matang. Panduan kami tentang mempersiapkan data pasien yang dirawat kembali untuk pemodelan prediktif menunjukkan langkah-langkah yang mendukung poin 7 dan 11, dan panduan kami tentang kapan dan bagaimana menggunakan pembelajaran mesin dalam penelitian membantu Anda memutuskan apakah model yang fleksibel memang diperlukan. Untuk konteks yang lebih luas tentang aplikasi klinis, lihat implementasi AI dalam perawatan kesehatan.
Calon proyek sebaiknya menulis protokol terlebih dahulu, karena butir 18c menanyakan di mana protokol tersebut dapat ditemukan. Panduan pengembangan protokol studi kami memberikan struktur yang dapat Anda adaptasi, dan mahasiswa dapat memetakan bab-bab tesis mereka ke pedoman pelaporan yang tepat dengan panduan pedoman pelaporan disertasi kedokteran.
Setelah pengajuan, peninjau dapat menilai model Anda dengan PROBAST+AI, yang menilai kualitas, risiko bias, dan penerapan model prediksi. 3 Membaca alat tersebut sebelum Anda menulis adalah cara murah untuk melihat makalah Anda melalui mata kritis. Anda dapat menemukan panduan dan daftar periksa di situs web TRIPOD dan halaman TRIPOD Jaringan EQUATOR.
Alat Riset Gratis dari Editverse
- GraphProBuat grafik siap publikasi, 25 jenis, dengan uji t, ANOVA, korelasi, dan nilai p chi-square bawaan. Gratis, tanpa pendaftaran.
- StatPro: kalkulator statistik gratis dan alat pemilihan tes yang mencakup perbandingan kelompok, hasil kategorikal, analisis waktu kejadian, dan akurasi diagnostik.
- Flowchart Pro: Hasilkan diagram alur PRISMA 2020, PRISMA-ScR, CONSORT, STROBE, STARD, MOOSE, dan ARRIVE langsung di browser Anda.
Dukungan Profesional untuk Pelaporan TRIPOD+AI
Menulis berdasarkan daftar periksa 27 item akan lebih mudah jika analisis dan manuskrip dibangun dengan mempertimbangkannya. Dua layanan Editverse secara langsung terkait dengan baris yang paling banyak menghabiskan waktu penulis. Yang pertama mencakup pembuatan dan interpretasi model dengan kode terdokumentasi untuk proyek yang dibangun berdasarkan data terbuka, yang sesuai dengan item 12c, 12g, dan 18f. Yang kedua mencakup penyuntingan substansial dan pemolesan bahasa dari manuskrip itu sendiri. Dukungan penyuntingan dan penulisan Editverse selaras dengan COPE, ICMJE, dan GPP 2022, serta dengan persyaratan etika lembaga dan negara Anda.
Analisis pembelajaran mesin
$1,700
Analisis pembelajaran mesin yang diperluas pada data publik dengan konstruksi multi-sumber, perbandingan algoritma yang diperluas, kode SHAP dan R/Python. 4 minggu.
Pengeditan lanjutan
$550
Penyuntingan substansial, penyempurnaan bahasa ilmiah, penyuntingan gaya APA, AMA atau Vancouver, dan verifikasi daftar referensi. 7-10 hari kerja, satu putaran revisi gratis.
Jika proyek Anda membutuhkan statistik dan bukan pembelajaran mesin, layanan analisis statistik kami mencakup pemilihan pengujian, output yang diformat, dan narasi hasil.
Kesimpulan
Daftar periksa TRIPOD+AI meminta 27 hal, tersebar di 52 baris, dan baris yang sekarang paling penting adalah baris yang tidak pernah ditanyakan dalam versi 2015. Contoh yang kami berikan menunjukkan polanya dengan jelas. Sebuah makalah dapat menjelaskan pemodelannya secara detail dan tetap mengabaikan interval kepercayaan, pernyataan protokol, keadilan, dan panduan penerapan. Mulailah dari daftar periksa saat Anda merencanakan analisis, tulis lokasi untuk setiap baris saat Anda membuat draf, dan jalankan pemeriksaan konsistensi sebelum Anda mengirimkan. Seorang peninjau yang dapat menemukan setiap item dalam hitungan menit adalah peninjau yang menghabiskan waktu peninjauan pada sains Anda.
Pertanyaan yang Sering Diajukan
Apakah TRIPOD+AI menggantikan TRIPOD 2015?
Ya. Para penulis TRIPOD+AI menyatakan bahwa daftar periksa baru ini menggantikan daftar periksa tahun 2015, yang seharusnya tidak lagi digunakan. Ikuti versi 2024 untuk setiap pengajuan baru.
Ada berapa item dalam daftar periksa TRIPOD+AI?
Daftar periksa ini memiliki 27 item bernomor. Jika dihitung sub-item berhuruf, daftar ini memiliki 52 baris. Empat puluh item berlaku untuk studi pengembangan dan evaluasi, delapan item hanya untuk pengembangan, dan empat item hanya untuk evaluasi. Daftar terpisah yang terdiri dari 13 item mencakup abstrak.
Apakah saya memerlukan TRIPOD+AI jika saya menggunakan regresi logistik dan bukan pembelajaran mesin?
Ya. TRIPOD+AI mencakup studi model prediksi yang menggunakan metode regresi atau pembelajaran mesin, jadi model risiko regresi logistik termasuk di dalamnya.
Apakah TRIPOD+AI sama dengan PROBAST+AI?
Tidak. TRIPOD+AI adalah pedoman pelaporan yang memeriksa apakah sebuah makalah menjelaskan apa yang telah dilakukan. PROBAST+AI adalah alat penilaian yang menilai risiko bias dan penerapannya. Peninjau dan peninjau sistematis menggunakan keduanya, untuk tujuan yang berbeda.
Apakah saya harus mengirimkan daftar periksa yang sudah diisi bersama manuskrip saya?
Pedoman ini merekomendasikan untuk mengirimkan daftar periksa yang telah diisi lengkap yang mencantumkan halaman atau baris tempat setiap item dapat ditemukan. Banyak jurnal meminta daftar periksa ini sebagai lampiran, jadi periksa petunjuk untuk penulis.
Bagaimana jika suatu item tidak relevan dengan penelitian saya?
Tandai sebagai "tidak berlaku" dan berikan alasan singkat, misalnya bahwa hasilnya berasal dari ambang batas laboratorium dan tidak memiliki penilai subjektif. Alasan yang dinyatakan lebih baik daripada baris kosong.
Di mana saya dapat menemukan daftar periksa resmi TRIPOD+AI?
Daftar periksa resmi yang dapat diisi tersedia di situs web TRIPOD, dan artikel panduan lengkapnya dapat diakses secara terbuka di BMJ dengan lisensi CC BY.
Referensi
- Collins GS, Moons KGM, Dhiman P, Riley RD, Beam AL, Van Calster B, dkk. Pernyataan TRIPOD+AI: panduan terbaru untuk pelaporan model prediksi klinis yang menggunakan metode regresi atau pembelajaran mesin. BMJ. 2024;385:e078378. doi:10.1136/bmj-2023-078378. PMID: 38626948. PubMed, PMC.
- Lei J, Zhai J, Zhang Y, Qi J, Sun C. Model pembelajaran mesin terawasi untuk memprediksi cedera hati terkait sepsis pada pasien dengan sepsis: pengembangan dan studi validasi berdasarkan studi kohort multisenter. J Med Internet Res. 2025;27:e66733. doi:10.2196/66733. PMID: 40418571. PMCID: PMC12149780. CC BY 4.0. PubMed, PMC.
- Moons KGM, Damen JAA, Kaul T, Hooft L, Andaur Navarro C, Dhiman P, dkk. PROBAST+AI: alat penilaian kualitas, risiko bias, dan penerapan yang diperbarui untuk model prediksi menggunakan metode regresi atau kecerdasan buatan. BMJ. 2025;388:e082505. doi:10.1136/bmj-2024-082505. PMID: 40127903. PMC.
- Riley RD, Ensor J, Snell KIE, Harrell FE Jr, Martin GP, Reitsma JB, dkk. Menghitung ukuran sampel yang dibutuhkan untuk mengembangkan model prediksi klinis. BMJ. 2020;368:m441. doi:10.1136/bmj.m441. PMID: 32188600. PubMed.
