Constructing Normalcy and Discrepancy Indexes for Birth Weight and Gestational Age Using a Threshold Regression Mixture Model
Notice bibliographique
Résumé
Birth weight and gestational age are important measures of a newborn's intrinsic health, serving both as outcome measures and explanatory variables in health studies. The measures are highly correlated but occasionally inconsistent. We anticipate that health researchers and other scientists would be helped by summary indexes of birth weight and gestational age that give more precise indications of whether the birth outcome is healthy or not. We propose a pair of indexes that we refer to as the birth normalcy index or BNI and birth discrepancy index or BDI. Both indexes are simple functions of birth weight and gestational age and in logarithmic form are orthogonal by construction. The BNI gauges whether the birth weight and gestational age combination are in a normal range. The BDI gauges whether birth weight and gestational age are consistent. We present a three-component mixture model for BNI, with the components representing premature, at-risk, and healthy births. The BNI distribution is derived from a stochastic model of fetal development proposed by Whitmore and Su (2007, Lifetime Data Analysis 13, 161-190) and takes the form of a mixture of inverse Gaussian distributions. We present a noncentral t-distribution as a model for BDI. BNI and BDI are also well suited for making comparisons of birth outcomes in different reference populations. A simple z-score and t-score are proposed for such comparisons. The BNI and BDI distributions can be estimated for births in any reference population of interest using threshold regression.
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 | 0,001 | 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 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 ».