Quantile Regression: A Statistical Tool for Out‐of‐hospital Research
Notice bibliographique
Résumé
The performance of out‐of‐hospital systems is frequently evaluated based on the times taken to respond to emergency requests and to transport patients to hospital. The 90th percentile is a common statistic used to measure these indicators, since they reflect performance for most patients. Traditional regression models, which assess how the mean of a distribution varies with changes in patient or system characteristics, are thus of limited use to researchers in out‐of‐hospital care. In contrast, quantile regression models estimate how specified quantiles (or percentiles) of the distribution of the outcome variable vary with patient or system characteristics. The authors examined the performance of traditional linear regression vs. that of quantile regression to assess the association between hospital transport interval and patient and system characteristics. They demonstrate that richer inferences can be drawn from the data using quantile regression, utilizing data drawn from a study of ambulance diversion and out‐of‐hospital delay. The results demonstrate that the effect of ambulance diversion upon out‐of‐hospital transport intervals is not uniform, but is worse on the right tail of the distribution of transport intervals. In other words, ambulance diversion disproportionately affects those patients who already have longer transport intervals. Second, the distribution of transport intervals, conditional on a given set of variables, is positively skewed, and not uniformly or symmetrically distributed. The flexibility of quantile regression models makes them particularly well suited to out‐of‐hospital research, and they may allow for more relevant evaluation of out‐of‐hospital system performance.
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 | 0,002 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,004 | 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 ».