Reference equations for pulmonary diffusing capacity using segmented regression show similar predictive accuracy as GAMLSS models
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
PURPOSE: To determine whether generalised additive models of location, scale and shape (GAMLSS) developed for pulmonary diffusing capacity are superior to segmented (piecewise) regression models, and to update reference equations for pulmonary diffusing capacity for carbon monoxide (DLCO) and nitric oxide (DLNO), which may be affected by the equipment used for its measurement. METHODS: ). Reference equations were created for DLCO and DLNO using both GAMLSS and segmented linear regression. Cross-validation was applied to compare the prediction accuracy of the two models as follows: 80% of the pooled data were used to create the equations, and the remaining 20% was used to examine the fit. This was repeated 100 times. Then, the root-mean-square error was compared between both models. RESULTS: In males, GAMLSS models were 7% worse to 3% better compared to segmented regression for DLCO and DLNO. In females, GAMLSS models were 2% worse to 5% better compared to segmented linear regression for DLCO and DLNO. The Hyp'Air Compact measured DLNO and alveolar volume (VA) that was approximately 16-20 mL/min/mm Hg and 0.2-0.4 L higher, respectively, compared to the Jaeger MasterScreen Pro. The measured DLCO was similar between devices after controlling for altitude. CONCLUSIONS: For the development of pulmonary function reference equations, we propose that segmented linear regression can be used instead of GAMLSS due to its simplicity, especially when the predictive accuracy is similar between the two models, overall.
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 | 0,007 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 découle