Este estudo examina criticamente as limitações dos métodos de importância de características dependentes de modelos utilizados na modelagem de previsão clínica, abordando especificamente as inconsistências na pesquisa de previsão de depressão de Xu et al. (2025). Demonstramos como a seleção do algoritmo altera fundamentalmente as classificações de características, apesar de acurácias de previsão semelhantes, revelando uma lacuna metodológica em que a validação da acurácia existe, mas a validação da importância das características não. Propomos uma estrutura alternativa abrangente que combina abordagens estatísticas e teóricas da informação: (1) detecção de relação monotônica usando correlação de Spearman e tau de Kendall com avaliação de valor-p, e (2) análise de interação complexa usando Informação Mútua e Entropia de Transferência Efetiva. Essa metodologia dupla permite a identificação de associações de variáveis simplificadas e dependências não lineares complexas, fornecendo insights mais robustos e confiáveis para modelos de previsão clínica.
Respostas