A comparison of five approaches for lithium dose and serum concentration prediction
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
Various methodologies are proposed in the literature to predict lithium dose or serum concentration. The authors compare the performance of a fuzzy system modeling algorithm that has been proposed with four other algorithms in terms of their performance based on serum lithium concentration prediction. The first method is the "Zetin method" proposed by M. Zetin et al. (1986), which is based on stepwise multiple linear regressions and designed specifically for lithium pharmacokinetics. Secondly, the more recent method proposed by T. Terao et al. (1999). The third method is a new formula developed from the data on hand by using stepwise multiple linear regressions. Fourth, a comparison is made with the well-known fuzzy system modeling algorithm proposed by M. Sugeno and T.A. Yasukawa (1993). The proposed method is the fifth alternative to be considered in this comparison. Published data from 30 patients (T. Terao et al. 1999) were used in the analysis. The performance of the algorithms with respect to precision as measured by the root mean square error are as follows: 0.54, 0.34, 0.36, 0.31 and 0.24 mmol/L, respectively for the Zetin method, Terao method, stepwise multiple linear regression, Sugeno-Yasukawa approach and the new algorithm.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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