An Optimised Multivariable Regression Model for Predictive Analysis of Diabetic Disease Progression
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
With the advent of smart systems and smart IoT network all over the world leading to enormous amount of data generation; the right analysis and decision making based on the relevant data plays a crucial role. Various industries such as transportation, retail, healthcare etc. rely on analysis using this huge volumes of data for intelligent decision making. In smart healthcare system, accurate analysis of patients' data and prediction of diseases and medicine is important. To a great extent, fatalities can be avoided by timely recommendation of healthcare measures and immediate alert on emergency conditions. The use of machine learning algorithm for precise predictive analysis of data can be very promising in the field of healthcare. In this paper, optimised Multivariable Linear regression method is used to predict the diabetic disease progression of 442 patients based on various parameters such as age, gender, Body Mass Index and 6 different blood serum measurements. Here optimisation is performed using feature reduction and logarithmic transformation. The predicted output is found to be closely associated with actual output data with a Root Mean Square Error of 1.5 units; which indicates higher accuracy in comparison with the non-optimised model with the error of 54 units. There has also been a comparison with the results obtained from other state of the art regression methods, which proves that the proposed model exhibits maximum accuracy. This method can be used to provide promising medical advice to the patients on how to reduce the diabetic disease progression over a year by controlling various health parameters.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découle