An Optimised Multivariable Regression Model for Predictive Analysis of Diabetic Disease Progression
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.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 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 ».