Tikhonov adaptively regularized gamma variate fitting to assess plasma clearance of inert renal markers
Notice bibliographique
Résumé
The Tk-GV model fits Gamma Variates (GV) to data by Tikhonov regularization (Tk) with shrinkage constant, λ, chosen to minimize the relative error in plasma clearance, CL (ml/min). Using (169)Yb-DTPA and (99m)Tc-DTPA (n = 46, 8-9 samples, 5-240 min) bolus-dilution curves, results were obtained for fit methods: (1) Ordinary Least Squares (OLS) one and two exponential term (E₁ and E₂), (2) OLS-GV and (3) Tk-GV. Four tests examined the fit results for: (1) physicality of ranges of model parameters, (2) effects on parameter values when different data subsets are fit, (3) characterization of residuals, and (4) extrapolative error and agreement with published correction factors. Test 1 showed physical Tk-GV results, where OLS-GV fits sometimes-produced nonphysical CL. Test 2 showed the Tk-GV model produced good results with 4 or more samples drawn between 10 and 240 min. Test 3 showed that E₁ and E₂ failed goodness-of-fit testing whereas GV fits for t > 20 min were acceptably good. Test 4 showed CL(Tk-GV) clearance values agreed with published CL corrections with the general result that CL(E1) > CL(E2) > CL(Tk-GV) and finally that CL(Tk-GV) were considerably more robust, precise and accurate than CL(E2), and should replace the use of CL(E2) for these renal markers.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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 ».