US DE COOKIES Utilitzem cookies necessàries de sistema per al correcte funcionament de la web i cookies opcionals de Google Analytics per obtenir estadístiques de visita. +info
Configuració cookies
Necessàries
Les cookies necessàries són absolutament essencials perquè el lloc web funcioni correctament. Aquesta categoria només inclou galetes que garanteixen funcionalitats bàsiques i funcions de seguretat del lloc web. Aquestes cookies no emmagatzemen cap informació personal.
Nom
Proveïdor
Propietat
Finalitat
Caducitat
+info
_GRECAPTCHA
google.com
Propia
Proveir protecció antispam amb el servei reCaptcha
6 mesos
cc_cookie_accept
fidmag.org
Propia
Usada per confirmar que l'usuari ha confirmat / refusat les cookies (i quins tipus accepta)
1 any
WEB_SESSION
fidmag.org
Propia
Cookie técnica: cookie de sessió PHP. Guarda l'id de sessió d'usuari.
al acabar la sessió
Anàlisi
Les cookies analítiques s'utilitzen per entendre com interactuen els visitants amb el lloc web. Aquestes cookies ajuden a proporcionar informació sobre mètriques, el nombre de visitants, el percentatge de rebots, la font del trànsit, etc.
Nom
Proveïdor
Propietat
Finalitat
Caducitat
+info
_ga
Google Analytics
De tercers
Cookie d'anàlisi o mesurament: Identifica els usuaris i proporciona informació sobre com els usuaris troben la pàgina web i com la utilitzen per a realització d'Informes estadístics
2 anys
_gat_gtag_UA_141706552_1
Google Analytics
De tercers
Cookie d'anàlisi o mesurament: Tracking per part de google per google analytics
1 minut
_gid
Google Analytics
De tercers
Cookie d'anàlisi o mesurament: S'usa per limitar el percentatge de sol·licituds
Biased accuracy in multisite machine-learning studies due to incomplete removal of the effects of the site.
Solanes A, Palau P, Fortea L, Salvador R, González-Navarro L, Llach CD, Valentí M, Vieta E, Radua J
Servei limitat a col·laboradors/res de la xarxa de centres de Germanes Hospitalàries. Rebreu un missatge al vostre correu-e amb un enllaç per a la descàrrega del present article.
Abstract
Brain MRI researchers conducting multisite studies, such as within the ENIGMA Consortium, are very aware of the importance of controlling the effects of the site (EoS) in the statistical analysis. Conversely, authors of the novel machine-learning MRI studies may remove the EoS when training the machine-learning models but not control them when estimating the models' accuracy, potentially leading to severely biased estimates. We show examples from a toy simulation study and real MRI data in which we remove the EoS from both the "training set" and the "test set" during the training and application of the model. However, the accuracy is still inflated (or occasionally shrunk) unless we further control the EoS during the estimation of the accuracy. We also provide several methods for controlling the EoS during the estimation of the accuracy, and a simple R package ("multisite.accuracy") that smoothly does this task for several accuracy estimates (e.g., sensitivity/specificity, area under the curve, correlation, hazard ratio, etc.).
![isciii[1]](https://fidmag.org/ca/img/0-60-ESCALA/isciii1.png "isciii[1]")
