Algorithm construction methodology for diagnostic classification of near-infrared spectroscopy data
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
Background : Near-infrared spectroscopy (NIRS) has recognized potential but limited application for non-invasive diagnostic evaluation. Data analysis methodology that reproducibly distinguishes between the presence or absence of physiologic abnormality could broaden clinical application of this optical technique. Methods : Sample data sets from simultaneous NIRS bladder monitoring and invasive urodynamic pressure-flow studies (UDS) are used to illustrate how a diagnostic algorithm is constructed using classification and regression tree (CART) analysis. Misclassification errors of CART and linear discriminant analysis (LDA) are computed and examples of other urological NIRS data likely amenable to CART analysis presented. Results : CART generated a clinically relevant classification algorithm (error 4%) using 46 data sets of changes in chromophore concentration composed of the whole time series without specifying features. LDA did not (error 16%). Using CART NIRS data provided comparable discriminant ability to the UDS diagnostic nomogram for the presence or absence of obstructive pathology (88% specificity, 84% precision). Pilot data examples from children with and without voiding dysfunction and women with mild or severe pelvic floor muscle dysfunction also show potentially diagnostic differences in chromophore concentration. Conclusions : CART analysis can likely be applied in other NIRS monitoring applications intended to classify patients into those with and without pathology.
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) | 0,000 | 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 | 0,001 | 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