LASSO-Based Survival Prediction Modeling with Multiply Imputed Data: A Case Study in Tuberculosis Mortality Prediction
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
Utilizing health administrative datasets for developing prediction models is always challenging due to missing values in key predictors. Multiple imputation has been recommended to deal with missing predictor values. However, predicting survival outcomes using regularized regression, e.g., Cox-LASSO, faces limitations as these methods are incompatible with pooling model outputs from multiple imputed data using Rubin’s rule. In this study, we explored the performance of three statistical methods in developing prediction models with Cox-LASSO on multiply imputed data: prediction average, performance average, and stacked. We considered two hyperparameter selection techniques: minimum-lambda that gives the minimum cross-validated prediction error and 1SE-lambda that selects more parsimonious models. We also conducted plasmode simulations with varying the events per parameter. The stacked approach provided the most robust predictions in our case study of predicting tuberculosis mortality and simulations, producing a time-dependent c-statistic of 0.93 and a well-calibrated calibration plot. The 1SE-lambda technique resulted in underfitting of the models in most scenarios, both in case study and simulation. Our findings advocate the stacked method with minimum-lambda as an effective technique for combining LASSO-based prediction outputs from multiply imputed data. We shared reproducible R codes for future researchers to facilitate the adoption of these methodologies in their 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.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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