A Comparison of Generalized Additive Models to Other Common Modeling Strategies for Continuous Covariates: Implications for Risk Adjustment
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
Common modeling strategies for quantitative covariates include single linear terms, dummy variables on categories, Fractional Polynomials (FP) and cubic smoothing splines in Generalized Additive Models (GAM). The goal of this study was to evaluate the impact of using GAM over other common covariate modeling strategies on risk adjustment. Analyses were based on inter-hospital mortality comparisons in a Canadian provincial trauma system (n=123,732; 59 hospitals). Parameter estimates describing the increase in log odds of mortality for one hospital compared to the reference were adjusted with five quantitative covariates modeled using 1) single linear terms, 2) dummy variables on 2, 3, 4, 5 categories, 3) FP, and 4) GAM. The parameter estimates generated by the first three modeling strategies were compared to that generated by the GAM using mean standardized difference. Mean standardized difference (95% CI) was 71.69 (51.7-91.7) for single linear terms, 21.1 (14.3-28.9); 23.4 (15.6-31.2); 49.6 (28.1-71.1); and 48.5 (28.8-68.2) for dummy variables on 2, 3, 4, and 5 categories, respectively and 12.7 (10.0-15.4) for FP. Results suggest that GAM, FP and at least 4 risk-homogeneous categories provide equivalent risk adjustment to smoothing splines in GAM while single linear terms and less than 4 categories may induce residual confounding.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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