EXEMPLE DE PROJET 2 : Prévalence de rétroaction X à l'aide de stimuli dermatologiques

Cette description est basée sur une préinscription sur le site Open Science Framework. Notez qu'il s'agit d'une étude "BESH". Ce type de recherche n'est pas conçu comme un essai clinique traditionnel, mais il est rapporté ici en raison de changements dans les règles de notification des essais cliniques des NIH. Il s'agit d'une étude du projet 2 de NE017001.

Levari et al (2018) ont constaté que les gens répondaient à une diminution de la prévalence d'un stimulus en élargissant leur concept de celui-ci. Plus précisément, ils ont demandé aux observateurs de juger à chaque essai si un point, tiré d'un continuum bleu-violet, était bleu ou non. Les résultats ont montré que les observateurs étaient plus susceptibles d'appeler les stimuli ambigus "bleus" lorsque les éléments bleus étaient moins répandus. En termes de théorie de détection de signal (SDT), il s'agit d'un changement libéral du critère de réponse. C'est le "changement de concept induit par la prévalence" (PICC). Cependant, les résultats précédents ont obtenu des résultats opposés dans une longue série d'expériences sur les effets de prévalence. La conclusion standard est que l'Os manque plus de cibles à faible prévalence. Lorsque le bleu est rare, ils sont moins susceptibles d'appeler quelque chose de bleu. En termes SDT, il s'agit d'un changement de critère conservateur. Il s'agit de l'effet de faible prévalence (LPE) classique. Dans une série d'expériences antérieures, Lyu et al (2021) ont découvert que la rétroaction est une variable critique. Avec les commentaires essai par essai, nous obtenons un LPE. Sans rétroaction, les données affichent généralement les résultats PICC.

Les effets LPE et PICC apparaissent-ils lorsque les experts visualisent des stimuli dans leur domaine d'expertise ? Il existe des preuves de la LPE à partir des tâches de recherche (par ex. Evans, K.K., Birdwell, R.L. et Wolfe, J.M. (2013). Si vous ne le trouvez pas souvent, vous ne le trouvez pas souvent : pourquoi certains cancers ne sont pas détectés lors du dépistage du cancer du sein. . PLoS ONE 8(5) : e64366. , 8(5), e64366. doi : doi : 10.1371/journal.pone.0064366). Cependant, les preuves PICC n'ont pas été collectées et il n'y a pas de données provenant de tâches de décision à un seul élément comme "Est-ce que ce point est bleu?" tâche. Ceci est important car les changements de critères du type décrit ci-dessus peuvent avoir des implications évidentes pour les soins de santé.

Cette étude répétera l'expérience de base "Est-ce que ce point est bleu" en utilisant des stimuli dermatologiques (Est-ce un mélanome ou juste un naevus (un grain de beauté) ?)

Hypothèses:

(H1) sans rétroaction, les Os sont plus susceptibles d'étiqueter un endroit comme un cancer lorsque la prévalence du cancer est faible (changement de concept induit par la prévalence).

(H2) qu'avec la rétroaction, les Os sont moins susceptibles d'étiqueter un endroit comme un cancer lorsque la prévalence du cancer est faible (effet de faible prévalence classique)

Variable dépendante

La principale variable dépendante est la proportion de réponses au cancer en fonction de la prévalence du cancer dans l'ensemble d'images, mais nous enregistrerons également les temps de réaction.

Conditions

À combien et à quelles conditions les participants seront-ils affectés ?

Quatre conditions seront exécutées, entre observateurs.

1. 50 % d'images de cancer avec commentaires
2. 50 % d'images de cancer sans rétroaction
3. 20 % d'images de cancer avec commentaires
4. 20 % d'images de cancer sans rétroaction

Les observateurs prendront une décision cancer/pas de cancer à choix forcé (2AFC) simple.

Les observateurs se verront attribuer des points en fonction de l'exactitude de la réponse (plus correcte, plus de points)

Il y aura 200 essais dans chaque bloc. Cela produira 40 essais actuels ciblés dans les conditions de faible prévalence, ce qui devrait produire un taux de réussite pas trop grossier.

Les stimuli seront des images de taupes de l'archive ISIC. Chaque image est accompagnée d'une réponse connue de mélanome (cancer) ou de naevus (négatif).

Analyses

Les données produiront un continuum de non-cancer à cancer basé sur les réponses des observateurs dans les 50 % avec condition de rétroaction. Cela donnera une fonction psychométrique passant (on peut le supposer) de près de 0 % de réponses au cancer à près de 100 %.

En utilisant cet ordre, des fonctions psychométriques seront générées pour les trois autres conditions.

Pour examiner l'effet de la prévalence et de la présence et de l'absence de rétroaction sur le comportement de réponse des observateurs, une régression logistique avec prévalence et rétroaction comme facteurs dans un modèle mixte généralisé sera exécutée à l'aide du logiciel Jamovi.

Les données seront également utilisées pour calculer les mesures de détection de signal de la sensibilité (d') et du critère (c) sur la base de la vérité réelle sur les images. Autrement dit, les réponses "cancer" seront codées comme vrais positifs si les images montrent un cancer et comme "faux positifs" si ce n'est pas le cas. Des tests T seront effectués pour examiner si d' et/ou c (critère) changent de manière significative en fonction de la prévalence et de la rétroaction.

Valeurs aberrantes et exclusions

N / A

Taille de l'échantillon

Des blocs d'essais séparés seront exécutés et les conditions seront comparées à des tests t non appariés.

G* Power dit suggère 36 observateurs PAR GROUPE ou un total de 144 observateurs pour alpha = 0,05, puissance = 0,80. Le plan consistera à tenter d'exécuter 45 O par groupe, en anticipant une perte d'environ 20 % des O en raison des aléas des tests en ligne.