Development of a regional-based predictive model of incidence of traumatic spinal cord injury using machine learning algorithms
Notice bibliographique
Résumé
To develop a predictive model of incidence of traumatic spinal cord injury (TSCI). The data for training the model included both the incidence data and the covariates. The incidence data were extracted from systematic reviews and the covariates were extracted from data available in the international road federation database. Then the feature processing measures were taken. First we defined a hyper-parameter, missing-value threshold, in order to eliminate features that exceed this threshold. To tackle the problem of overfitting of model we determined the Pearson correlation of features and excluded those with more than 0.7 correlation. After feature selection three different models including simple linear regression, support vector regression, and multi-layer perceptron were examined to fit the purposes of this study. Finally, we evaluated the model based on three standard metrics: Mean Absolute Error, Root Mean Square Error, and R2. Our machine-learning based model could predict the incidence rate of TSCI with the mean absolute error of 4.66. Our model found “Vehicles in use, Total vehicles/Km of roads”, “Injury accidents/100 Million Veh-Km”, “Vehicles in use, Vans, Pick-ups, Lorries, Road Tractors”, “Inland surface Passengers Transport (Mio Passenger-Km), Rail”, and "% paved” as top predictors of transport-related TSCI (TRTSCI). Our model is proved to have a high accuracy to predict the incidence rate of TSCI for countries, especially where the main etiology of TSCI is related to road traffic injuries. Using this model, we can help the policymakers for resource allocation and evaluation of preventive measures.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 ».