Joint Modeling of All-Cause Mortality and Longitudinally Measured Serum Albumin
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In clinical studies, longitudinal and survival data are often obtained simultaneously from the same individual. Linear mixed effects models are widely used for analyzing longitudinal continuous outcome data, while survival models are used for analyzing time-to-event data. It is a common practice to analyze these longitudinal and time-to-event data separately. However, when multivariate outcomes are obtained from a given individual, they can be correlated by nature, and one can attain considerable gain in efficiency by jointly analyzing the outcomes. An objective of this study is to analyze such multivariate data by jointly modeling longitudinally measured continuous outcomes and time-to-event data. In this joint modeling, we formulate a joint likelihood function for both outcomes and use the maximum likelihood method to estimate the parameters in the two sub-models (longitudinal and survival models). We demonstrate the merits of joint modeling by considering a joint analysis of longitudinally measured serum albumin (biomarker) and time-to-all-cause mortality data obtained from a hemodialysis (HEMO) study. This HEMO study was a large NIH (National Institute of Health) sponsored multicenter clinical trial contrasting the effects of dialysis dose and dialysis membrane permeability in end-stage renal disease patients receiving hemodialysis. We find that the parameter estimates obtained under joint modeling of HEMO data are more efficient than those obtained under separate modeling of the outcome variables.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,014 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle