Application of Penalized Mixed Model in Identification of Most Associated Factors with Hemoglobin A1c Level in Type 2 Diabetes
Notice bibliographique
Résumé
BACKGROUND: The effect of controlling blood sugar on decreasing diabetes complications and their fatality has been investigated in many cross-sectional studies, but instability of blood sugar and some of the potential effective factors on it during the time render these studies imprecise and unreliable. Exploring among a big number of possible covariates is another challenging issue which renders the traditional methods inefficient. Therefore, we aimed to determine factors which are mostly associated with HbA1c level, among a large number of potential covariates using penalized linear mixed model in a longitudinal study METHOD: The participants consisted of diabetic patients referred to Endocrine and Metabolism Research Center of Isfahan from 2000 to 2012 who were measured 4-12 times. Linear mixed model with LASSO penalty was used to investigate the relationship between HbA1c and the factors which potentially affect HbA1c. SPSS version 18 and glmmLassopackage in R. 3.1.3 software were used for statistical analysis. RESULTS: Most of the 360 patients, (62.5%) were female. Their mean age was 52.2 years (SD=9.24) and median number of their visit was 5 with inter-quartile range of 4 to 6. The simple mixed model revealed that all of the covariates had significant effects on HbA1c, but using LMMLASSO led to elimination of 8 redundant covariates from the final model. CONCLUSION: By Appling linear mixed model with LASSO penalty retinopathy, hypertension, cholesterol, HDL and TG had the most significant association with HbA1c level.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,017 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».