Pubblicato il
La checklist TRIPOD+AI è lo standard di rendicontazione che le riviste si aspettano ora quando un manoscritto sviluppa o valuta un modello di previsione clinica, sia che il modello utilizzi la regressione logistica o una foresta casuale. Pubblicata sul BMJ nell'aprile 2024 da Collins e colleghi, contiene 27 elementi numerati, sostituisce la checklist TRIPOD del 2015 e richiede dettagli che i documenti precedenti non fornivano, come l'equità, l'accesso al codice e il coinvolgimento dei pazienti e del pubblico. 1
La maggior parte delle guide si limita a elencare gli elementi. Questa va oltre. Dopo la checklist vera e propria, valutiamo elemento per elemento un vero articolo scientifico ad accesso aperto sul machine learning, indicando la sezione dell'articolo accanto a ogni giudizio, in modo che possiate vedere come si presenta una checklist completa e dove gli autori solitamente perdono punti.
In parole semplici
TRIPOD+AI è un elenco di 27 elementi che il tuo articolo deve assolutamente comunicare al lettore se hai sviluppato o testato uno strumento per prevedere l'esito clinico di un paziente. Ti indica cosa riportare, non come costruire il modello. Compilalo indicando il numero di pagina o di riga per ogni elemento, invialo insieme al manoscritto e un revisore potrà controllare il tuo articolo in pochi minuti, senza dover indovinare cosa manca.
Cos'è la checklist TRIPOD+AI e cosa è cambiato rispetto a TRIPOD 2015
TRIPOD è l'acronimo di Transparent Reporting of a multivariable prediction model for Individual Prognosis Or Diagnosis (Reporting trasparente di un modello di previsione multivariabile per la prognosi o la diagnosi individuale). La versione del 2015 elencava 37 voci, una volta contati i sotto-elementi, ed è stata redatta quando la maggior parte dei modelli di previsione erano equazioni di regressione.<sup> 1</sup> Da allora, l'apprendimento automatico è diventato comune nella ricerca predittiva e l'aggiornamento del 2024 è stato concepito per coprire entrambe le tradizioni in un unico documento. Gli autori hanno utilizzato revisioni sistematiche della letteratura, un'indagine Delphi in due fasi e una riunione di consenso online. La prima fase Delphi è stata inviata a 292 persone e 170 l'hanno completata. La seconda fase ha raggiunto 200 partecipanti provenienti da 27 paesi.<sup> 1</sup>
Tre punti sono importanti per la tua presentazione. Primo, le linee guida affermano chiaramente che la nuova checklist sostituisce la versione del 2015, che non deve più essere utilizzata.<sup> 1</sup> Se la rivista a cui desideri inviare il tuo articolo fa ancora riferimento alla vecchia checklist, segui quella del 2024 e specificalo nella lettera di presentazione. Secondo, TRIPOD+AI è una linea guida per la rendicontazione e non uno strumento di valutazione della qualità. Verifica se hai descritto ciò che hai fatto, non se ciò che hai fatto è valido. Per la valutazione, la stessa comunità di ricerca ha pubblicato PROBAST+AI nel 2025, uno strumento aggiornato per il rischio di bias e l'applicabilità negli studi sui modelli predittivi.<sup> 3 </sup> Terzo, le linee guida includono una checklist di 13 elementi per gli abstract, quindi l'abstract è soggetto ai propri standard.
Se siete ancora indecisi tra una linea guida per l'accuratezza diagnostica e una per un modello predittivo, leggete prima il nostro confronto tra STARD e TRIPOD . Questo confronto spiega quale linea guida di reporting si adatta a ciascuna domanda di ricerca, e questo articolo presuppone che abbiate già optato per TRIPOD+AI. Il nostro diagramma di flusso per la scelta di una linea guida di reporting copre una gamma più ampia di opzioni.
I 27 elementi della checklist TRIPOD+AI in sintesi
La tabella sottostante riassume l'intera checklist nei suoi 27 elementi numerati. Abbiamo parafrasato la formulazione per brevità, quindi si prega di utilizzare la checklist ufficiale dal sito web TRIPOD per il testo esatto da presentare. L'ultima colonna indica chi è responsabile di ciascun elemento. D indica uno studio di sviluppo del modello, E indica uno studio di valutazione (validazione) del modello e D;E indica entrambi.
Tabella 1. I 27 elementi della checklist TRIPOD+AI, in forma condensata. Fonte: Collins et al., BMJ 2024.
| Articolo | Argomento | Si applica a | Cosa segnalare (parafrasato) |
|---|---|---|---|
| 1 | Titolo | D;E | Denominare lo studio come sviluppo o valutazione di un modello predittivo, specificando la popolazione target e il risultato atteso. |
| 2 | Astratto | D;E | Seguire l'elenco separato di 13 elementi TRIPOD+AI per gli abstract. |
| 3a a 3c | sfondo | D;E | Contesto e motivazioni in ambito sanitario, modelli esistenti, popolazione target e utilizzo previsto nel percorso di cura, utenti previsti e disuguaglianze sanitarie note tra i gruppi sociodemografici. |
| 4 | Obiettivi | D;E | Indicare se lo studio sviluppa un modello, ne convalida uno esistente o entrambi. |
| 5 bis, 5 ter | Dati | D;E | Vengono indicate separatamente le fonti dei dati per lo sviluppo e la valutazione, le motivazioni della loro scelta, il grado di rappresentatività e le date di inizio e fine del reclutamento dei partecipanti. |
| 6a a 6c | A chi e' rivolto | D;E | Contesto, numero e ubicazione dei centri, criteri di ammissibilità, trattamenti ricevuti e modalità di somministrazione. |
| 7 | Preparazione dei dati | D;E | Pre-elaborazione e controlli di qualità, compresa la verifica della similarità tra i diversi gruppi sociodemografici. |
| 8a a 8c | Risultato | D;E | Definizione precisa dell'esito e dell'orizzonte temporale, modalità e tempistica della valutazione, chi ha effettuato la valutazione qualora fosse necessario un giudizio, e eventuale cecità. |
| 9a a 9c | predittori | D (9a), D;E (9b, 9c) | Come sono stati scelti i predittori iniziali, le definizioni precise e la tempistica di ciascun predittore, e chi ha misurato quelli che richiedevano un giudizio. |
| 10 | Misura di prova | D;E | Come è stata determinata la dimensione del campione, con i relativi calcoli, separatamente per la fase di sviluppo e per quella di valutazione. |
| 11 | Dati mancanti | D;E | Come sono stati gestiti i dati mancanti e perché alcuni dati sono stati omessi. |
| da 12a a 12g | metodi analitici | D, E o entrambi per sottovoce | Partizionamento dei dati, gestione dei predittori, tipo di modello e messa a punto, eterogeneità tra i cluster, misure di performance, aggiornamento del modello e modalità di calcolo delle previsioni nella valutazione. |
| 13 | Squilibrio di classe | D;E | Se sono stati utilizzati metodi di squilibrio, perché e come, e come sono state ricalibrate le previsioni in seguito. |
| 14 | Equità | D;E | Qualsiasi approccio utilizzato per affrontare il tema dell'equità del modello e le relative motivazioni. |
| 15 | Uscita del modello | D | La forma dell'output (probabilità o classe) e le modalità di impostazione di eventuali soglie. |
| 16 | Formazione contro valutazione | D;E | Differenze tra i dati di sviluppo e di valutazione in termini di contesto, criteri di ammissibilità, risultati e fattori predittivi. |
| 17 | Approvazione etica | D;E | Il comitato di approvazione e l'accordo di consenso o la deroga. |
| 18a a 18f | Scienza aperta | D;E | Finanziamenti e ruolo dei finanziatori, conflitti di interesse, accesso al protocollo, registrazione, disponibilità dei dati e disponibilità del codice. |
| 19 | Coinvolgimento del paziente e del pubblico | D;E | Quale coinvolgimento c'è stato, oppure una dichiarazione che ne nega il coinvolgimento. |
| 20a a 20c | Partecipanti (risultati) | D;E (20c è solo E) | Flusso dei partecipanti con conteggio dei risultati, caratteristiche per fonte di dati e, ai fini della valutazione, un confronto con i dati di sviluppo. |
| 21 | Sviluppo del modello | D;E | Numero di partecipanti ed eventi di esito in ciascuna analisi. |
| 22 | Specifiche del modello | D | Dettagli completi del modello, in modo che una terza parte possa fare previsioni e valutare il modello, con eventuali restrizioni di accesso. |
| 23 bis, 23 ter | Performance del modello | D;E | Stime delle prestazioni con intervalli di confidenza, inclusi i sottogruppi chiave e l'eterogeneità tra i cluster, se esaminata. |
| 24 | Aggiornamento del modello | E | Risultati di eventuali aggiornamenti, come la ricalibrazione, e prestazioni successive. |
| 25 | Interpretazione | D;E | Interpretazione complessiva dei risultati principali, inclusa la valutazione dell'equità. |
| 26 | Limiti | D;E | Limitazioni quali un campione non rappresentativo, la dimensione del campione, l'overfitting e i dati mancanti, e il loro effetto su distorsioni e generalizzabilità. |
| 27a a 27c | Usabilità nell'assistenza attuale | D (27a, 27b), D;E (27c) | Gestione di input scadenti o non disponibili, interazione con l'utente e competenze necessarie, e prossimi passi per la ricerca. |
Sviluppo, valutazione o entrambi? Quali elementi devi
Contando tutte le voci contrassegnate da lettere, la checklist ha 52 righe. Quaranta si applicano sia agli studi di sviluppo che a quelli di valutazione, otto si applicano solo allo sviluppo e quattro si applicano solo alla valutazione. Le righe relative solo allo sviluppo sono 9a, 12a, 12b, 12c, 15, 22, 27a e 27b. Le righe relative solo alla valutazione sono 12f, 12g, 20c e 24.
Questa suddivisione modifica ciò che devi inviare. Un team che costruisce un modello e lo testa su un campione separato e su un dataset esterno deve compilare l'intero elenco. Un team che testa solo un modello pubblicato da altri deve compilare le righe di valutazione e deve descrivere come ha calcolato le previsioni di quel modello (12g) e in che modo i suoi dati differiscono dai dati di sviluppo originali (20c, 16). Saltare la sezione 12g impedisce ai lettori di capire se è stata testata l'equazione originale o una versione rielaborata.
La stessa logica è utile quando si pianifica l'analisi. Se si prevede che un revisore richieda una curva decisionale, è opportuno includerla fin dall'inizio e riportarla secondo la sezione 12e. La nostra breve spiegazione sull'analisi della curva decisionale illustra il beneficio netto aggiuntivo rispetto alla discriminazione, mentre la nostra guida alle curve ROC e ai valori predittivi tratta l'aspetto della discriminazione.
Tre gruppi di nuovi elementi che colgono di sorpresa gli autori
Gli autori di TRIPOD+AI affermano che la versione del 2015 non includeva diversi sviluppi, tra cui l'equità, le pratiche di scienza aperta e il coinvolgimento dei pazienti e del pubblico.<sup> 1</sup> Queste tre aree corrispondono ai punti 14, 18 e 19, e la checklist del 2015 non forniva agli autori alcun suggerimento per nessuna di esse, quindi è facile lasciare delle lacune.
Equità (punti 3c, 7, 8a, 14, 23a e 25)
Il concetto di equità è presente in sei punti, non in uno solo. Vi viene chiesto di descrivere le disuguaglianze sanitarie note (3c), di indicare se la preparazione dei dati e la valutazione dei risultati sono state coerenti tra i gruppi sociodemografici (7, 8a), di descrivere qualsiasi approccio all'equità (14), di riportare le prestazioni per i sottogruppi chiave (23a) e di discutere l'equità nell'interpretazione (25). Se il vostro set di dati non presenta una suddivisione per razza, sesso o età, specificatelo e spiegate cosa ciò significhi per i gruppi di cui potete e non potete parlare.
Scienza aperta (punti da 18a a 18f)
Il punto 18 raggruppa sei dichiarazioni che in precedenza erano separate. Una dichiarazione sul protocollo, una dichiarazione di registrazione, una dichiarazione sulla disponibilità dei dati e una dichiarazione sulla disponibilità del codice richiedono ciascuna una risposta, anche se la risposta è che non è stato preparato alcun protocollo o che lo studio non è stato registrato. La checklist accetta una risposta negativa. Non accetta il silenzio.
Coinvolgimento dei pazienti e del pubblico (punto 19)
Il punto 19 chiede quale coinvolgimento si sia verificato durante la progettazione, la conduzione, la rendicontazione o la diffusione, oppure una dichiarazione che ne attesti l'assenza. L'articolo delle linee guida riporta che questo punto ha raggiunto il 69% di consenso nel secondo round Delphi, appena al di sotto della soglia del 70%, e il gruppo direttivo lo ha mantenuto per la riunione di consenso. 1 Consideratelo un requisito effettivo. Una frase è sufficiente quando non vi è stato alcun coinvolgimento.
Esempio pratico di applicazione della checklist TRIPOD+AI a un modello reale di accesso aperto.
Per mostrare l'utilizzo della checklist, abbiamo analizzato un articolo pubblicato. Lei e colleghi hanno sviluppato un ensemble di modelli per prevedere il danno epatico associato alla sepsi (SALI) nei pazienti in terapia intensiva, utilizzando MIMIC-IV per l'addestramento e la validazione interna e eICU-CRD per la validazione esterna. L'articolo è stato pubblicato sul Journal of Medical Internet Research nel 2025 con licenza CC BY 4.0, motivo per cui possiamo citarlo, e dichiara di aver seguito il modello TRIPOD+AI e fornisce la checklist completa. 2
L'abbiamo scelto per una ragione pratica. Gli autori hanno fatto molte cose per bene, quindi l'esercizio mostra come si presenta una proposta di alto livello, e i pochi dubbi che rimangono sono del tipo che un revisore attento solleverebbe. Abbiamo letto il testo completo. Laddove un verdetto dipende da un giudizio soggettivo, la riga riporta la dicitura "Valutazione soggettiva". Le citazioni sono brevi e testuali, tratte dal testo completo ad accesso aperto.
Come leggere i verdetti
"Segnalato" significa che l'elemento è stato trattato nel testo. "Parzialmente segnalato" significa che alcuni elementi sono presenti e altri mancano. "Non trovato" significa che non siamo riusciti a individuarlo nel testo completo e nelle appendici che abbiamo potuto consultare. "Valutazione discrezionale" significa che un revisore ragionevole potrebbe assegnare un punteggio diverso alla riga, e la nota ne spiega il motivo. Questa è una lettura del testo effettuata da Editverse e non una valutazione ufficiale di TRIPOD+AI.
Tabella 2. Elementi TRIPOD+AI valutati rispetto a Lei et al., J Med Internet Res 2025 (CC BY 4.0). Lettura del testo completo tramite Editverse.
| Articolo | Dove cercare nel giornale | Cosa riporta il giornale | Giudizio |
|---|---|---|---|
| 1 | Titolo | Il titolo si riferisce allo sviluppo e alla validazione, alla popolazione (pazienti con sepsi) e all'esito (SALI). Il titolo termina con "Studio di sviluppo e validazione basato su uno studio di coorte multicentrico". | Segnalati |
| 2 | Astratto | Vengono descritte le fonti dei dati, la definizione dei risultati, i modelli, le metriche e le AUC. Non è stato valutato in base ai 13 elementi dell'abstract. | Decisione di giudizio |
| 3a | Introduzione, paragrafi da 1 a 3 | Fornisce il contesto clinico e le motivazioni a favore dell'apprendimento automatico interpretabile. I precedenti modelli predittivi SALI non sono citati nell'introduzione. | Parzialmente riportato |
| 3b | Introduzione, paragrafo finale | I destinatari previsti sono indicati semplicemente come "operatori sanitari". La posizione che ricoprono nel percorso di cura non viene descritta. | Decisione di giudizio |
| 3c | Testo completo | Nessuna dichiarazione sulle disuguaglianze sanitarie tra i gruppi sociodemografici. | Non trovato |
| 4 | Introduzione, paragrafo finale e riassunto. | L'obiettivo è sviluppare un modello di impilamento interpretabile per prevedere la SALI. La validazione è descritta nella sezione Metodi. | Segnalati |
| 5a | Metodi, fonti di dati | MIMIC-IV per lo sviluppo e la validazione interna, eICU-CRD per la validazione esterna, ciascuno descritto separatamente. | Segnalati |
| 5b | Metodi, fonti di dati | Vengono indicate le versioni del database e gli anni di riferimento dei dati (dal 2008 al 2019 per MIMIC-IV, dal 2014 al 2015 per eICU-CRD). Non sono specificate le date esatte di inizio e fine della raccolta dati. | Parzialmente riportato |
| 6a | Metodi, fonti di dati | MIMIC-IV proviene da un singolo ospedale statunitense. eICU-CRD è descritto come uno studio multicentrico negli Stati Uniti. Il numero dei centri eICU non è specificato. | Parzialmente riportato |
| 6b | Metodi, Partecipanti | Vengono elencati cinque criteri di inclusione e tre criteri di esclusione. | Segnalati |
| 6c | Metodi, Predittori | La terapia sostitutiva renale, la ventilazione meccanica e i vasopressori vengono considerati fattori predittivi. Non viene specificato come sia stato gestito il trattamento successivo rispetto al momento della previsione. | Decisione di giudizio |
| 7 | Metodi e preparazione dei dati | Vengono descritte le procedure di pulizia, imputazione, normalizzazione e codifica fittizia. Non viene riportato alcun controllo tra i gruppi sociodemografici. | Parzialmente riportato |
| 8a | Metodi, Risultati | La SALI è definita da un INR superiore a 1.5 e da una bilirubina totale superiore a 2 entro un intervallo prestabilito. La motivazione è la seguente: "Data l'assenza di un gold standard per la diagnosi di SALI, l'abbiamo definita sulla base di criteri derivati da studi precedenti". | Segnalati |
| 8b, 8c | Metodi, Risultati | Il risultato deriva da soglie di laboratorio, quindi le valutazioni soggettive e il mascheramento potrebbero non essere applicabili. Il testo non lo specifica. | Decisione di giudizio |
| 9a | Metodi, esito e risultati, partecipanti | Il gruppo iniziale di variabili è stato ridotto a 42 grazie alla conoscenza del settore e a un approccio basato sui dati, e le variabili continue altamente correlate sono state eliminate. | Segnalati |
| 9b | Metodi, predittori e risultati | I predittori di laboratorio comprendono "i dati di laboratorio entro le prime 72 ore dal ricovero in terapia intensiva", mentre il periodo di osservazione per l'esito va da 24 ore a 1 settimana. La bilirubina totale e l'INR compaiono sia come predittori che nella definizione dell'esito. Questo merita una precisazione. | Decisione di giudizio |
| 10 | Metodi, dimensione del campione | Viene fornito un calcolo basato sulla regola secondo cui "lo sviluppo del modello deve aderire al principio di almeno 10 eventi per variabile". Si veda la sezione successiva per capire perché questo metodo è obsoleto. | Segnalati |
| 11 | Metodi, Dati mancanti | Sono state escluse le variabili con oltre il 30% di valori mancanti ed è stata descritta l'imputazione multipla con cinque set di dati imputati e le regole di Rubin. | Segnalati |
| 12 bis, 12 ter | Metodi e preparazione dei dati | Una suddivisione 70/30 tra MIMIC-IV ed eICU-CRD è stata riservata alla validazione esterna, alla standardizzazione e alla codifica fittizia. | Segnalati |
| 12c | Metodi, metodi analitici e risultati | Vengono descritti nove algoritmi e un ensemble di stacking. Nella sezione Metodi si afferma che il meta-modello era "tipicamente la regressione logistica" e successivamente che Lasso "è stato selezionato come meta-modello". La messa a punto è descritta come ricerca a griglia nella sezione Metodi e come ricerca a griglia casuale più ottimizzazione bayesiana nella sezione Risultati. | Decisione di giudizio |
| 12d | Testo completo | eICU-CRD raggruppa i dati di molti ospedali, ma non descrive come gestire l'eterogeneità tra gli ospedali. | Non trovato |
| 12e | Metodi e valutazione delle prestazioni del modello | Vengono specificati ROC-AUC, PR-AUC, punteggio di Brier, grafici di calibrazione e analisi della curva decisionale, ciascuno con il proprio scopo. | Segnalati |
| 12f e 24 | Risultati, aggiornamento del modello e tabella 2 | La Tabella 2 riporta gli eventi osservati e previsti prima e dopo la calibrazione. Resta da vedere se ciò possa essere considerato un aggiornamento del modello nel senso di TRIPOD+AI. | Decisione di giudizio |
| 12 g | Disponibilità dei dati | Il codice è disponibile su GitHub, dove è possibile riprodurre le previsioni. Il testo non specifica come siano state calcolate le previsioni del modello a strati per la valutazione. | Decisione di giudizio |
| 13 | Metodi, Discriminazione | Gli autori affermano che PR-AUC "è particolarmente utile quando le classi sono sbilanciate, come nel caso della previsione SALI". Nessuna dichiarazione di ricampionamento in un senso o nell'altro. | Decisione di giudizio |
| 14 | Testo completo | Non viene descritto alcun approccio basato sull'equità. | Non trovato |
| 15 | Metodi, utilità clinica | Le curve decisionali coprono un intervallo di soglie. Non viene specificato come sia stata scelta una singola soglia operativa. | Parzialmente riportato |
| 16 | Risultati, punti di forza e limiti | I tassi di incidenza degli eventi differiscono tra i dati di sviluppo e quelli esterni, e gli autori attribuiscono il valore inferiore dell'AUC esterno alla variabilità interospedaliera. | Parzialmente riportato |
| 17 | Metodi e considerazioni etiche | Cita il protocollo del comitato etico istituzionale del MIT relativo allo studio MIMIC-IV e spiega perché il consenso informato è stato dispensato. | Segnalati |
| 18a | Ringraziamenti | Vengono citati tre finanziamenti. Il ruolo degli enti finanziatori non è descritto. | Parzialmente riportato |
| 18b | Materia finale | Dichiara: "Conflitti di interesse: nessuno dichiarato". | Segnalati |
| 18c, 18d | Testo completo | Nessun protocollo o dichiarazione di registrazione. | Non trovato |
| 18e, 18f | Disponibilità dei dati | Si afferma che "tutti i dati intermedi possono essere ottenuti dagli autori su richiesta motivata e il codice correlato è disponibile su GitHub". | Segnalati |
| 19 | Testo completo | Nessuna dichiarazione in merito al coinvolgimento dei pazienti e del pubblico. | Non trovato |
| 20a, 20b, 20c | Figura 1, Dimensione del campione e Tabella 1 | Un diagramma di flusso con i conteggi delle esclusioni, una tabella di riferimento che comprende l'addestramento, i set interni ed esterni e i conteggi degli eventi per ciascuno. | Segnalati |
| 21 | Metodi, dimensione del campione e risultati, partecipanti | Il numero di eventi e le percentuali variano tra le diverse sezioni (vedi sotto), e il set esterno è indicato come 4236 pazienti nella sezione Metodi e nella Tabella 1, ma come 4358 in una frase della sezione Risultati. | Decisione di giudizio |
| 22 | Metodi, metodi analitici e GitHub | Viene descritta la struttura di impilamento. I coefficienti del metamodello adattato non sono riportati nel testo, pertanto si fa riferimento a fonti esterne. | Parzialmente riportato |
| 23a | Risultati | I valori di AUC sono forniti come stime puntuali, ad esempio 0.8401 e 0.7077. Non abbiamo trovato intervalli di confidenza. | Non trovato |
| 23b | Testo completo | Nessun dato sulle prestazioni per gruppo di ospedali. | Non trovato |
| 25 | Discussione, principali risultati | I risultati principali vengono interpretati alla luce della letteratura clinica. Non si discute dell'equità dello studio. | Parzialmente riportato |
| 26 | Discussione, punti di forza e limiti | Tra le critiche mosse figurano: il disegno retrospettivo, le prestazioni esterne inferiori, la definizione dell'esito basata su dati di laboratorio, i dati provenienti esclusivamente dagli Stati Uniti e l'assenza di variabili dinamiche, oltre al fatto che "la definizione di SALI basata su soglie di laboratorio piuttosto che sulla conferma istologica potrebbe aver classificato erroneamente il danno epatico subclinico". | Segnalati |
| 27 bis, 27 ter | Testo completo | Nessuna indicazione su input inadeguati o mancanti in fase di implementazione, né sulle competenze richieste all'utente. | Non trovato |
| 27c | Discussione, punti di forza e limiti | Vengono proposti sviluppi futuri e flussi di dati in tempo reale. | Segnalati |
Nelle 43 righe raggruppate, abbiamo classificato 16 come Segnalate, 9 come Parzialmente segnalate, 10 come Valutazione soggettiva e 8 come Non trovate. Le righe Non trovate si concentrano esattamente nelle aree aggiunte o perfezionate dall'aggiornamento del 2024, ovvero equità, protocollo e registrazione, coinvolgimento del pubblico, prestazioni dei sottogruppi e linee guida per l'implementazione. La descrizione del modello presentata nel documento è esaustiva e le lacune si trovano negli elementi più recenti.
Cosa insegna l'esempio annotato
Una regola empirica non è un calcolo della dimensione del campione
L'esempio giustifica il suo campione con una regola di dieci eventi per variabile. Utilizzando i propri dati, 428 eventi di training su 42 predittori forniscono 10.2 eventi per predittore, quindi la regola viene rispettata per un soffio. Il punto 10 di TRIPOD+AI richiede di spiegare come è stata determinata la dimensione dello studio e il contesto della linea guida cita metodi più recenti per il calcolo della dimensione del campione per lo sviluppo e la valutazione dei modelli.<sup> 1</sup> Uno di questi, di Riley e colleghi sul BMJ, sostituisce la singola regola con criteri che dipendono dal numero di parametri candidati, dalla proporzione dei risultati e dall'adattamento previsto del modello.<sup> 4</sup> Se il modello utilizza l'apprendimento automatico flessibile, il numero di parametri è maggiore del numero di predittori, il che rende la regola dei dieci eventi meno rassicurante. Riportare il calcolo utilizzato e spiegare perché si adatta al tipo di modello.
I numeri devono corrispondere in tutte le sezioni
Il punto 21 richiede i partecipanti e gli eventi in ciascuna analisi. Nell'esempio, il paragrafo Metodi sulla dimensione del campione elenca gli eventi di training come 428 (10.10%) e gli eventi di validazione interna come 165 (3.90%). La sezione Risultati riporta gli stessi conteggi come 6.92% e 6.22%, e i calcoli confermano le cifre dei Risultati, poiché 428 su 6183 è il 6.92% e 165 su 2651 è il 6.22%. Il set esterno è di 4236 pazienti nei Metodi e nella Tabella 1, e 648 su 4236 è il 15.30%, eppure una frase nei Risultati riporta 4358. Nessuna di queste discrepanze modifica i risultati. Si tratta di un tipo di discrepanza che un revisore può individuare rapidamente e che può essere eliminata con un controllo di coerenza interna prima dell'invio.
Spiega a cosa serve un metodo, e fallo una sola volta.
Il punto 12c richiede il tipo di modello, tutte le fasi di costruzione del modello e la messa a punto. Quando la sezione Metodi e la sezione Risultati descrivono la messa a punto in modo diverso, o nominano due meta-modelli diversi, il lettore non può distinguere quale descrizione sia corretta. Scrivete il paragrafo sulla costruzione del modello una sola volta, nella sezione Metodi, e fate in modo che la sezione Risultati vi faccia riferimento.
La tempistica dei predittori non è un dettaglio
Il punto 9b chiede come e quando è stato misurato ciascun predittore. Un modello predittivo è utile solo se i suoi input sono disponibili prima che si verifichi l'esito. Quando le finestre temporali dei predittori e dell'esito si sovrappongono, o quando un predittore fa parte della definizione dell'esito, il lettore ha bisogno di una frase esplicita che spieghi il momento della previsione. Si tratta di una richiesta di chiarezza, non di un'accusa, ed è facile da correggere.
Gli intervalli di confidenza sono previsti, non facoltativi.
Il punto 23a richiede stime delle prestazioni con intervalli di confidenza. Un singolo valore di AUC derivato da un set di validazione di poche migliaia di pazienti presenta una reale incertezza, e l'AUC esterna nell'esempio è il valore di cui il lettore desidera maggiormente fidarsi. Gli intervalli bootstrap sono economici da aggiungere. Per un ripasso su come vengono costruiti e riportati i modelli basati sulla regressione, consultare la nostra panoramica sui modelli di regressione nella ricerca medica.
Come completare la checklist TRIPOD+AI prima dell'invio
La linea guida raccomanda agli autori di inviare una checklist compilata che indichi la pagina o la riga in cui si trova ciascun elemento. 1 La procedura descritta di seguito è valida per un manoscritto completo.
- Scarica la lista di controllo compilabile Scaricate il file dal sito web di TRIPOD e mantenete la data di versione nel nome del file.
- Decidi D, E o entrambi per il tuo studio, quindi barra le righe che non si applicano, indicando il motivo laddove non sia ovvio.
- Inserisci una posizione in ogni riga, utilizzando i numeri di pagina e di riga del file inviato, non solo i nomi delle sezioni.
- Scrivi le risposte negative per i punti 18c, 18d, 19 e 3c anziché lasciare gli spazi vuoti. Una dichiarazione che non è stato predisposto alcun protocollo soddisfa il punto.
- Eseguire un passaggio di coerenza confrontando ogni conteggio, percentuale e descrizione del modello in abstract, metodi, risultati, tabelle e figure.
- Aggiungere gli intervalli di confidenza per ogni stima di performance principale e per le stime dei sottogruppi chiave.
- Controlla l'abstract rispetto all'elenco di 13 elementi TRIPOD+AI per gli abstract.
- Consulta le istruzioni della rivista., poiché alcuni richiedono la checklist come supplemento e altri come parte integrante del modulo di presentazione.
Anche i modelli predittivi basati su dati di routine necessitano di un solido piano di preparazione dei dati. La nostra guida alla preparazione dei dati di riammissione dei pazienti per la modellazione predittiva illustra i passaggi necessari per i punti 7 e 11, mentre la nostra guida su quando e come utilizzare l'apprendimento automatico nella ricerca vi aiuta a decidere se un modello flessibile sia giustificato. Per un contesto più ampio sulle applicazioni cliniche, consultate la sezione "Implementazione dell'IA in ambito sanitario".
I potenziali progetti dovrebbero redigere prima il protocollo, poiché il punto 18c chiede dove è possibile reperirlo. La nostra guida allo sviluppo del protocollo di studio fornisce una struttura che è possibile adattare, e gli studenti possono allineare i capitoli della loro tesi alle linee guida di rendicontazione corrette utilizzando la guida alle linee guida per la rendicontazione delle dissertazioni mediche.
Dopo l'invio, i revisori possono valutare il tuo modello con PROBAST+AI, che valuta la qualità, il rischio di bias e l'applicabilità dei modelli predittivi. 3 Leggere questo strumento prima di scrivere è un modo economico per esaminare il tuo articolo con occhio critico. Puoi trovare la famiglia di linee guida e le checklist sul sito web TRIPOD e sulla pagina TRIPOD della rete EQUATOR.
Strumenti di ricerca gratuiti da Editverse
- GraphProCrea grafici pronti per la pubblicazione, di 25 tipologie diverse, con test t, ANOVA, correlazione e valori p del chi-quadrato integrati. Gratuito, senza registrazione.
- StatiProCalcolatori statistici gratuiti e uno strumento di selezione dei test che copre confronti tra gruppi, risultati categorici, analisi del tempo all'evento e accuratezza diagnostica.
- Flowchart Pro: Genera diagrammi di flusso PRISMA 2020, PRISMA-ScR, CONSORT, STROBE, STARD, MOOSE e ARRIVE direttamente nel tuo browser.
Supporto professionale per la creazione di report con TRIPOD+AI
Scrivere seguendo una checklist di 27 punti è più facile quando l'analisi e il manoscritto sono stati progettati tenendo conto di tale checklist. Due servizi di Editverse corrispondono direttamente alle righe che richiedono più tempo agli autori. Il primo copre la creazione e l'interpretazione dei modelli con codice documentato per progetti basati su dati aperti, che alimenta i punti 12c, 12g e 18f. Il secondo copre la revisione sostanziale e la rifinitura linguistica del manoscritto stesso. Il supporto di Editverse per la redazione e la revisione è conforme a COPE, ICMJE e GPP 2022, nonché ai requisiti etici del vostro istituto e paese.
Analisi dell'apprendimento automatico
$1,700
Analisi avanzata di apprendimento automatico su dati pubblici con costruzione multi-sorgente, confronto esteso di algoritmi, SHAP e codice R/Python. 4 settimane.
Modifica avanzata
$550
Revisione sostanziale, perfezionamento del linguaggio scientifico, adattamento agli stili APA, AMA o Vancouver e verifica della bibliografia. 7-10 giorni lavorativi, una revisione gratuita.
Se il tuo progetto necessita di analisi statistiche anziché di apprendimento automatico, il nostro servizio di analisi statistica comprende la selezione dei test, l'output formattato e una descrizione dei risultati.
Conclusione
La checklist TRIPOD+AI richiede 27 elementi, distribuiti su 52 righe, e le righe che ora contano di più sono quelle che la versione del 2015 non includeva. Il nostro esempio pratico illustra chiaramente questo schema. Un articolo può descrivere in dettaglio la sua modellizzazione e comunque omettere gli intervalli di confidenza, una dichiarazione del protocollo, l'equità e le linee guida per l'implementazione. Iniziate dalla checklist quando pianificate l'analisi, indicate la posizione di ogni riga durante la stesura della bozza ed eseguite un controllo di coerenza prima dell'invio. Un revisore che riesce a trovare ogni elemento in pochi minuti è un revisore che dedica la revisione alla scienza del vostro lavoro.
Domande frequenti
TRIPOD+AI sostituisce TRIPOD 2015?
Sì. Gli autori di TRIPOD+AI affermano che la nuova checklist sostituisce quella del 2015, che non deve più essere utilizzata. Per qualsiasi nuova presentazione, fare riferimento alla versione del 2024.
Quanti elementi contiene la checklist TRIPOD+AI?
La lista di controllo contiene 27 elementi numerati. Contando anche i sotto-elementi contrassegnati da lettere, si arriva a 52 righe. Quaranta di questi si applicano sia agli studi di sviluppo che a quelli di valutazione, otto solo a quelli di sviluppo e quattro solo a quelli di valutazione. Un elenco separato di 13 elementi riguarda gli abstract.
Ho bisogno di TRIPOD+AI se ho utilizzato la regressione logistica e non l'apprendimento automatico?
Sì. TRIPOD+AI comprende studi di modelli predittivi che utilizzano metodi di regressione o di apprendimento automatico, quindi un modello di rischio di regressione logistica rientra in questa categoria.
TREPPIEDE+IA è la stessa cosa di PROBAST+IA?
No. TRIPOD+AI è una linea guida per la redazione di report che verifica se un articolo descrive ciò che è stato fatto. PROBAST+AI è uno strumento di valutazione che valuta il rischio di bias e l'applicabilità. I revisori e i revisori sistematici li utilizzano entrambi, per scopi diversi.
Devo allegare la checklist compilata al manoscritto?
Le linee guida raccomandano di inviare una checklist compilata che indichi la pagina o la riga in cui si trova ciascun elemento. Molte riviste la richiedono come supplemento, quindi si consiglia di consultare le istruzioni per gli autori.
Cosa succede se un elemento non è pertinente al mio studio?
Contrassegna la voce come non applicabile e fornisci una breve motivazione, ad esempio che il risultato deriva da una soglia di laboratorio e non è soggetto a valutazioni soggettive. È preferibile indicare una motivazione piuttosto che lasciare la riga vuota.
Dove posso trovare la checklist ufficiale per TRIPOD+AI?
La checklist ufficiale compilabile è disponibile sul sito web di TRIPOD, mentre l'articolo completo con le linee guida è ad accesso libero sul BMJ con licenza CC BY.
Referenze
- Collins GS, Moons KGM, Dhiman P, Riley RD, Beam AL, Van Calster B, et al. Dichiarazione TRIPOD+AI: linee guida aggiornate per la segnalazione di modelli di previsione clinica che utilizzano metodi di regressione o apprendimento automatico. BMJ. 2024;385:e078378. doi:10.1136/bmj-2023-078378. PMID: 38626948. PubMed, PMC.
- Lei J, Zhai J, Zhang Y, Qi J, Sun C. Modelli di apprendimento automatico supervisionato per la previsione del danno epatico associato alla sepsi in pazienti con sepsi: studio di sviluppo e validazione basato su uno studio di coorte multicentrico. 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, et al. PROBAST+AI: uno strumento aggiornato per la valutazione della qualità, del rischio di bias e dell'applicabilità dei modelli predittivi che utilizzano metodi di regressione o intelligenza artificiale. 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, et al. Calcolo della dimensione del campione necessaria per lo sviluppo di un modello di previsione clinica. BMJ. 2020;368:m441. doi:10.1136/bmj.m441. PMID: 32188600. PubMed.