deveria mudar para baixo em mais sujeitos do que mudar para cima. A
melhoria líquida após a reclassificação (net reclassification
improvement, NRI) quantifica essas diferenças como mostrado a
seguir (11):
NRI = P(cima|caso) – P(baixo|caso) + P(baixo|controle) –
P(cima|controle)
onde P(cima|caso) é a proporção de casos nos quais o modelo com o
novo marcador fez com que o sujeito mudasse para uma categoria de
maior risco e os demais termos são definidos de forma semelhante. Por
exemplo, Shepherd et al. (12) mostraram que acrescentar o volume
fibroglandular calculado pela mamografia (isto é, o volume de tecido
mamário em risco para malignidade) a um modelo que incluía os
fatores de risco clínicos tradicionais melhorou a predição subsequente
de câncer de mama ou de carcinoma ductal in situ, com um NRI de
21% (P = 0,0001).
■ ESTUDOS PARA DESENVOLVER REGRAS DE PREDIÇÃO
CLÍNICA
Os estudos para desenvolver novas regras de predição clínica diferem
dos estudos sobre testes (ou regras de predição clínica) já existentes, uma
vez que o objetivo é melhorar as decisões clínicas por meio de métodos
matemáticos para desenvolver um novo teste composto, em vez de
simplesmente avaliar um teste já existente.
Os sujeitos nesses estudos devem ser semelhantes àqueles para os quais
a regra será aplicada. As regras de predição clínica têm maior utilidade
quando ajudam a orientar uma decisão clínica específica, como a decisão
de iniciar estatinas (que se baseia no Escore de Risco de Framingham).
Dessa forma, os sujeitos devem ser aqueles para os quais será necessário
tomar essa decisão clínica, especialmente aqueles para os quais a decisão
é atualmente difícil ou incerta (13). Muitos estudos para desenvolver
regras de decisão clínica incluem sujeitos de um único centro, mas
quando a regra é desenvolvida usando dados de múltiplos centros a
