Parametric Analysis of Renal Failure Data using the Exponentiated Odd Weibull Distribution
Notice bibliographique
Résumé
In this article, we analyze renal failure data from patients with mesangioproliferative glomerulonephritis (MPGN) which was modeled by [1] non-parametrically using the Kaplan-Meier curve. In their work, they showed that the clinical variables, large increase serum creatinine (LISC) and systolic blood pressure >160 mmHg (SBP>160), and morphological variables, benign nephrosclerosis present (BNP) and interstitial score group 5-6 (IS5-6) were part of the variables which indicated progression to end-stage renal failure (ESRF). Though survival curves associated with these variables may be difficult to model by existing parametric distributions in literature. Therefore, we introduce a four-parameter Odd Weibull extension, the exponentiated Odd Weibull (EOW) distribution which is very versatile in modeling lifetime data that its hazard function exhibits ten different hazard shapes as well as various density shapes. Basic properties of the EOW distribution are presented. In the presence of random censoring, a small simulation study is conducted to assess the coverage probabilities of the estimated parameters of the EOW distribution using the maximum likelihood method. Our results show that the EOW distribution is very convenient and reliable to analyze the MPGN data since it provides an excellent fit for the variables LISC, SBP>160, BNP, and IS5-6. Furthermore, advantages of using the EOW distribution over the Kaplan-Meier curve are discussed. Comparisons of the EOW distribution with other Weibull-related distributions are also presented.
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 | 0,006 | 0,049 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».