2) степень упрощённости
3) сведения об объекте, необходимые и достаточные для принятия решения
4) всё, что известно об оригинале
Точность модели в медицинской кибернетике характеризует степень соответствия результатов моделирования фактическим характеристикам реального объекта или процесса. Для медицинской модели такими характеристиками могут быть уровень глюкозы, частота сердечных сокращений, вероятность осложнения, прогноз выживаемости или установленный диагноз. Оценка проводится путём сравнения расчётных значений с эталонными данными, полученными при обследовании пациента, лабораторном измерении или последующем подтверждении исхода. Чем меньше расхождение между моделью и объектом, тем выше точность.
Для количественных показателей применяют абсолютную и относительную ошибки, среднюю абсолютную ошибку, среднеквадратичную ошибку и коэффициент детерминации. В задачах классификации оценивают долю правильных решений, чувствительность, специфичность, прогностическую ценность и площадь под ROC-кривой; при этом общая доля правильных ответов может быть недостаточной при выраженном дисбалансе классов. Точность необходимо проверять на независимой выборке, поскольку модель может хорошо описывать обучающие данные, но демонстрировать низкую обобщающую способность в реальной клинической практике.
Точность не следует смешивать с простотой, полнотой или адекватностью модели. Простота отражает степень структурного упрощения, полнота — объём представленных сведений, а адекватность — соответствие модели поставленной цели и условиям применения. Модель может быть простой и неполной, но достаточно точной для конкретной задачи, например для первичного скрининга; поэтому правильным является положение, связывающее точность именно с совпадением характеристик объекта и результатов моделирования.
| Понятие или критерий | Содержание | Пример медицинского применения |
|---|---|---|
| Точность модели | Степень близости расчётных значений к фактическим характеристикам объекта | Сопоставление прогнозируемого и измеренного уровня артериального давления |
| Абсолютная ошибка | Модуль разности между прогнозом и реальным значением | Разница между расчётной и фактической концентрацией лекарственного препарата |
| Адекватность | Соответствие модели поставленной задаче, условиям и цели исследования | Пригодность модели риска тромбоза для отбора пациентов на профилактику |
| Полнота модели | Наличие всех сведений, необходимых и достаточных для решения конкретной задачи | Учёт возраста, функции почек и сопутствующей терапии при расчёте дозы |
| Простота | Степень упрощения структуры и числа параметров по сравнению с оригиналом | Использование нескольких клинических признаков вместо полной электронной истории болезни |
| Дискриминационная способность | Способность различать пациентов с наличием и отсутствием заболевания или исхода | Оценка площади под ROC-кривой для прогноза сепсиса |
| Калибровка | Соответствие прогнозируемых вероятностей фактической частоте событий | Если модель указывает риск 20%, осложнение должно возникать примерно у 20% таких пациентов |
В клинической практике точность интерпретируют вместе с чувствительностью, специфичностью, калибровкой и клинической полезностью. На итоговые характеристики влияют качество исходных данных, ошибки измерений, состав обучающей выборки и условия эксплуатации модели. Даже высокоточная модель применима только в той популяции и для той задачи, для которых она валидирована. Следовательно, точность отражает не объём сведений о пациенте, а степень соответствия модельных результатов реальному объекту.