Regression B‐spline smoothing in Bayesian disease mapping: with an application to patient safety surveillance
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
In the context of Bayesian disease mapping, recent literature presents generalized linear mixed models that engender spatial smoothing. The methods assume spatially varying random effects as a route to partially pooling data and 'borrowing strength' in small-area estimation. When spatiotemporal disease rates are available for sequential risk mapping of several time periods, the 'smoothing' issue may be explored by considering spatial smoothing, temporal smoothing and spatiotemporal interaction. In this paper, these considerations are motivated and explored through development of a Bayesian semiparametric disease mapping model framework which facilitates temporal smoothing of rates and relative risks via regression B-splines with mixed-effect representation of coefficients. Specifically, we develop spatial priors such as multivariate Gaussian Markov random fields and non-spatial priors such as unstructured multivariate Gaussian distributions and illustrate how time trends in small-area relative risks may be explored by splines which vary in either a spatially structured or unstructured manner. In particular, we show that with suitable prior specifications for the random effects ensemble, small-area relative risk trends may be fit by 'spatially varying' or randomly varying B-splines. A recently developed Bayesian hierarchical model selection criterion, the deviance information criterion, is used to assess the trade-off between goodness-of-fit and smoothness and to select the number of knots. The methodological development aims to provide reliable information about the patterns (both over space and time) of disease risks and to quantify uncertainty. The study offers a disease and health outcome surveillance methodology for flexible and efficient exploration and assessment of emerging risk trends and clustering. The methods are motivated and illustrated through a Bayesian analysis of adverse medical events (also known as iatrogenic injuries) among hospitalized elderly patients in British Columbia, Canada.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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