ResFlow guide d'utilisation

Utilisez ceci lorsque vous « savez qu'il faut analyser mais n'êtes pas sûr de quel outil ». Deux façons de trouver : la carte du pipeline de recherche (par les six étapes) et les modèles par type d'étude (choisissez votre type d'étude et les outils sont listés dans l'ordre).

Utilisez ceci lorsque vous « avez un jeu de données et voulez construire et évaluer un modèle de prédiction et obtenir le matériel de manuscrit ». Collez les données une fois : modélisation → ROC → calibration → DCA → matériel de manuscrit, tout en une ligne, sans copier-coller répété. La section 3 ci-dessous est entièrement consacrée à cela.

Q : Mes données seront-elles téléversées ?
Pas par défaut — tous les calculs s'exécutent dans votre navigateur et les données du projet sont stockées localement (localStorage). Ce n'est que si vous vous connectez avec un compte professionnel et cliquez activement sur « Enregistrer dans le compte / Enregistrer comme nouveau projet » que le projet (données et paramètres d'analyse) est enregistré sur votre compte, pour gérer plusieurs projets et reprendre sur un autre appareil ; sinon tout reste local.

Q : Pourquoi ne vois-je pas le matériel de manuscrit à l'étape 4 ?
Il n'apparaît qu'après qu'un modèle a été correctement ajusté à l'étape 3. Vérifiez que les résultats ROC/calibration/DCA s'affichent, puis faites défiler vers le bas.

Q : Puis-je utiliser directement les méthodes/résultats auto-générés ?
Comme aide à la rédaction. Les chiffres viennent des données de modélisation (performance interne, optimiste) ; avant soumission, vérifiez chaque nombre, complétez les détails du plan d'étude, et visez une validation externe.

Q : J'ai besoin de figures et d'options plus complètes ?
Chaque carte de résultat renvoie vers l'outil dédié correspondant (p. ex. ROC complète, courbe de calibration complète, courbe de décision complète), avec des graphiques et paramètres plus riches.

Every statistical engine has been checked, mostly by the "reduce to a known method" approach — in a special case, the new algorithm should equal a recognised simple one exactly. For example:

· Logistic / Cox regression: coefficients checked against classic datasets (e.g. Cox on the Freireich leukaemia data) and standard implementations;
· Fine-Gray competing risks: reduces to ordinary Cox with no competing events, and to Cox on transformed data with no censoring — consistent from several angles;
· Restricted cubic splines (RCS): basis functions are strictly linear beyond the outer knots (a defining property of splines), with effect = 1 at the reference point;
· Time-dependent AUC: equals the empirical AUC exactly with no censoring;
· VIF: equals 1/(1−R²), infinite under perfect collinearity; PH test: Schoenfeld residuals sum to ≈ 0 at the maximum-likelihood solution (the zero-score property).

Even so, internal performance is still optimistic, so independently cross-check key conclusions. The workbench closes this loop — the three-step R cross-check:

① In step 4, click "Export R code" to copy a script generated for your current model and variables (the RCS tool also has matching rms code);
② Run it in R (the script already includes glm/coxph, pROC, tableone, car::vif, cox.zph, etc.);
③ Use the "R cross-check" checklist below the code to match R's OR/HR, AUC, C-index, PH, VIF, etc. against this tool item by item. Matching direction and magnitude means the implementation agrees.

True external validation should also include re-evaluating the model on an independent population/dataset (not just recomputing on the same data); prediction-model studies should follow the TRIPOD reporting standard.