Survival Modelling of Tuberculosis Data-A Case Study of Federal Medical Centre, Bida, Nigeria
Notice bibliographique
Résumé
The article aimed at fitting Cox-proportional hazards model to Tuberculosis (TB) data. TB data on 259 patients spanning 2010 through 2016 were collected from the Federal Medical Centre, Bida, Nigeria. Covariates involved were gender, age, type of TB and occupation. Fifteen different Cox models, representing all possible combinations of covariates in question were fitted. Parameters were estimated by method of maximum partial likelihood and model selection was based on Akaike information criterion (AIC). Model (G+C), with gender and occupation as covariates produced the least AIC of 618.597 and hence, was adjudged the best. That is, gender and occupation constituted the best subset of covariates that explained survival of TB patients. The model suggested that recovery hazard of a male TB patient was 24.1% lower than that of a female patient possessing same occupation. This implies that male patient had higher survival time than the female having same occupational status. It further suggested that recovery hazard for patient on technical occupation was 27.46% higher than for patient on non-technical job and of same gender. Hence, a patient on technical occupation had reduced survival time compared to one of same gender on non-technical occupation. It was concluded that gender and occupation explained best, survival of TB patients based on AIC.
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) | 0,000 | 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 | 0,001 | 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 ».