Assessment of Individual Risk of Death Using Self‐Report Data: An Artificial Neural Network Compared with a Frailty Index
Notice bibliographique
Résumé
OBJECTIVES: To evaluate the potential of an artificial neural network (ANN) in predicting survival in elderly Canadians, using self-report data. DESIGN: Cohort study with up to 72 months follow-up. SETTING: Forty self-reported characteristics were obtained from the community sample of the Canadian Study of Health and Aging. An individual frailty index score was calculated as the proportion of deficits experienced. For the ANN, randomly selected participants formed the training sample to derive relationships between the variables and survival and the validation sample to control overfitting. An ANN output was generated for each subject. A separate testing sample was used to evaluate the accuracy of prediction. PARTICIPANTS: A total of 8,547 Canadians aged 65 to 99, of whom 1,865 died during 72 months of follow-up. MEASUREMENTS: The output of an ANN model was compared with an unweighted frailty index in predicting survival patterns using receiver operating characteristic (ROC) curves. RESULTS: The area under the ROC curve was 86% for the ANN and 62% for the frailty index. At the optimal ROC value, the accuracy of the frailty index was 70.0%. The ANN accuracy rate over 10 simulations in predicting the probability of individual survival mean+/-standard deviation was 79.2+/-0.8%. CONCLUSION: An ANN provided more accurate survival classification than an unweighted frailty index. The data suggest that the concept of biological redundancy might be operationalized from health survey data.
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.
Comment cette classification a été obtenuedéplier
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».