An Integrated Machine Learning Approach to Optimize the Estimation of Preterm Birth
Notice bibliographique
Résumé
This thesis describes a new methodology used in conjunction with artificial intelligence tools to create multiple models for prediction of preterm birth in obstetrical environments. The data mining approach integrates: Decision Trees (DTs), Artificial Neural Networks (ANNs) -specifically a Feed Forward Back Propagation ANN, and Case Based Reasoning System (CBRS). This work also introduces a 5by2 cross validation method, assesses two methods of attribute selection, and considers data prevalence (15% and 8.1%) in training and testing networks. Two databases were assessed from two countries: BORN (Canada) and PRAMS (USA). Best BORN results used selection method 2, had sensitivities of 50.53%, 53.96%, specificities of 91.61%, 95.40%, and area under curves (AUC) of 0.7721, 0.7970 for Parous and Nulliparous cases respectively. Best PRAMS results used selection method 1, had sensitivities of 68.15%, 40.35%, specificities of 64.71%, 94.57%, and area under curves (AUC) of 0.8452, 0.7064 for Parous and Nulliparous cases respectively. iii Above all, challenge yourself. You may well surprise yourself at what strengths you have, what you can accomplish. -Cecile Springer First and foremost, I would like to take this opportunity to thank my thesis supervisor, Dr. Monique Frize, for her
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».