Workshop (Knowledge Generation) ID 2001657
Notice bibliographique
Résumé
Background Multi-morbidity is common in persons with spinal cord injury (SCI). Network Analysis is a tool used to visualize and estimate complex relationships among variables. Three network models: Gaussian Graphical Model, Ising model, and Mixed Graphical Model were applied to the 2011-2012 Canadian SCI Community Survey dataset, which included individuals with traumatic and non-traumatic SCI. Data utilized included demographic and injury data as we well as 30 secondary health conditions (comorbidities and secondary complication) that are included in the Multi-Morbidity Index (MMI-30). Five health outcomes were included: healthcare utilization (HCU), health status (i.e. Short Form-12 physical and mental component summary (SF-12 PCS & MCS) score), life satisfaction, and quality of life. Using Network Analysis, we reduced the number of items in the Multi-Morbidity Index (MMI-30) by 5 items (MMI-25) and the psychometric properties were comparable. This interactive workshop will include presentations from a clinician, researcher and person with lived experience (PLEX). Objective The goals of this workshop are to: Review Machine Learning methodology (with an emphasis on Network Analysis) in SCI research. Demonstrate how Network Analysis was used to investigate the relationship between secondary health conditions and health outcomes to create a modified version of the Multi-Morbidity Index. Discuss future opportunities for using Network Analysis and other Machine Learning methodologies in SCI research and provide examples of how these knowledge products can be used to inform SCI care. Conclusion This workshop will demonstrate the benefit of using Network Analysis, a type of Machine Learning, in SCI research. Specifically, the example of how Network Analysis identified key associations among 30 secondary health conditions and five health outcomes which resulted in the MMI-25 will be discussed as well as future opportunities for using Network Analysis and other Machine Learning methodologies in SCI research.
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 | 0,003 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,007 | 0,004 |
| Science ouverte | 0,004 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,803 | 0,586 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».