Logistic Regression Model to Investigate the Risk Factors for Glaucoma
Notice bibliographique
Résumé
Many studies have found that age, race, gender, past family history, and intraocular pressure (IOP) of the eyes are key risk factors for glaucoma disease. The current study aims to evaluate the relationship between glaucoma and various glaucoma risk factors in the Arabian ethnicity using a cohort cross-sectional observational design. Therefore, the current study is targeted at building a regression model to estimate the probability of injury to glaucoma disease, which is one of the serious diseases that affect the eyes. It uses the logistic regression model, which is one of the modern non parametric methods, and a cohort cross-sectional observational design. The study included a total of 136 glaucoma patients. The findings show that there is no link between gender and glaucoma (p = 0.202), while there is a link between age and glaucoma (p = 0.004). Furthermore, the findings demonstrate that there is no association between diabetic mellitus (DM) and glaucoma (p = 0.273), although there is a relationship between hypertension and healing degree (p = 0.035) and diabetes and healing degree (p = 0.001). The findings also show that the factors affecting injury are: age, gender, pressure, and geographical location, and that diabetes and climatic factors are not influential. Current findings may aid in the development of intervention strategies that will raise glaucoma awareness in the future.
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 | 0,005 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,003 |
| 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 ».