Identifying cut‐off scores with neural networks for interpretation of the incontinence impact questionnaire
Notice bibliographique
Résumé
We propose to determine cut-off scores for the Incontinence Impact Questionnaire (IIQ) based on the neural network (NN) approach. These cut-off scores should discriminate between patients having poor, moderate, or good quality of life (QoL) secondary to their incontinence problems. Data from two prospectively completed QoL questionnaires, the IIQ (n = 237) and the MOS 36-Item Short-Form Health Survey (SF-36) (n = 237), were analyzed using NN and conventional statistical tools. Kohonen networks identified three distinct clusters of IIQ scores. The three clusters represent the full spectrum of possible scores on the IIQ. We interpreted these clusters as reflecting good, moderate, and poor QoL. We estimated that a score of less than 50 on the IIQ would be representative of good QoL, between 50 and 70 would be moderate QoL, and greater than 70 would be indicative of poor QoL. Validation with the SF-36 data confirmed these categories. The present study demonstrated that the NN approach is opening new areas in the interpretation and clinical usefulness of QoL questionnaires. NN allowed the identification of three levels of QoL and should be useful in clinical decision making.
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 | 0,000 | 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 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 ».