Predictive factors of glycosylated hemoglobin using additive regression model
Notice bibliographique
Résumé
Introduction: Diabetes is a chronic disease, non-epidemic disease that costs a lot of money in each year. One of the diagnostic criteria for diabetes is Glycosylated Hemoglobin (HBA1C), which in this study the effective factors on it examined by additive regression model. Materials and Methods: In this cross-sectional study, 130 patients with diabetes type-2 were selected based on simple random sampling in Ilam city (Iran). Several variables were examined such as gender, age, weight, height, systolic and diastolic blood pressure, hypertension, smoking, family history of diabetes, daily walking for at least 30 minutes, waist and hip circumferences, HbA1c, fasting blood sugar (FBS), RBC mean corpuscular volume (MCV) and BMI. The data were collected based on Canadian diabetes checklist questionnaire. Results: In simple linear regression, waist and hip circumferences and in multiple regression, hip circumference and BMI had a significant effect on HBA1C (P<0.05). Importantly, in simple additive regression waist, hip circumferences and fasting blood Sugar as well as in multiple additive regression waist, hip circumferences, fasting blood sugar and BMI had significant effects on HbA1C (P<0.05). Conclusion: Additive regression model with 0.878 adjusted R-squared and AIC equal to 603.464 was better model for examining the influential factors on HbA1C compared with the multiple regression model with adjusted R-squared and AIC equal to 0.386 and 844.730, respectively. © 2021, Semnan University of Medical Sciences. All rights reserved.
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 | 0,004 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,002 |
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 ».