Joint Model for Estimating the Asymmetric Distribution of Medical Costs Based on a History Process
Notice bibliographique
Résumé
In this paper, we modify a semi-parameter estimation of the joint model for the mean medical cost function with time-dependent covariates to enable it to describe the nonlinear relationship between the longitudinal variable and time points by using polynomial approximation. The observation time points are discrete and not exactly the same for all subjects; in order to use all of the information, we first estimate the mean medical cost at the same observed time points for all subjects, and then we weigh these values using the kernel method. Therefore, a smooth mean function of medical costs can be obtained. The proposed estimating method can be used for asymmetric distribution statistics. The consistency of the estimator is demonstrated by theoretical analysis. For the simulation study, we first set up the values of parameters and non-parametric functions, and then we generated random samples for covariates and censored survival times. Finally, the longitudinal data of response variables could be produced based on the covariates and survival times. Then, numerical simulation experiments were conducted by using the proposed method and applying the JM package in R to the generated data. The estimated results for parameters and non-parametric functions were compared with different settings. Numerical results illustrate that the standard deviations of the parametric estimators decrease as the sample sizes increases and are much smaller than preassigned threshold value. The estimates of non-parametric functions in the model almost coincide with the true functions as shown in the figures of simulation study. We apply the proposed model to a real data set from a multicenter automatic defibrillator implantation trial.
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 | 0,035 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| 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 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 ».