Latent multi-state models for non-equidistant longitudinal observations with finite and infinite mixture model-based clustering
Notice bibliographique
Résumé
Large amounts of data that exist in the form of longitudinal health records, such as electronic health records (EHRs), healthcare administrative databases and mobile health applications, are now available for dynamic monitoring of the underlying processes governing the observations.However, such latent progression generating the observations is not observed directly and so requires inferential methods to ascertain progression.Moreover, records are only observed when a subject interacts with the healthcare system, resulting in irregular visits where the observations are not collected at equidistant time intervals with possible sparsity.For example, in healthcare databases, chronic disease patients do not seek intensive care at early stage of the disease, and therefore the records may be sparse, and patients might seek care outside the healthcare system, which means that only a segment of the entire health trajectory might be observed.These considerations suggest that trajectories should be modeled as a latent continuous-time process.The progression usually depends on the evolution of different types of time-varying covariates.Incorporating these covariates into the model can advance our understanding of the development of the con-time here enjoyable and made it through my PhD.Last but not least, I would like to give the most credit to my parents who are always supporting and encouraging me the best they can.From my undergraduate in Waterloo to doctoral study in Montreal, they provided me with the emotional and financial support that I needed to keep going.Without them, I would not be where I am today.This thesis is dedicated to them for their love, endless support, understanding and encouragement that I will cherish for my lifetime.
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 | 0,012 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,005 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,008 | 0,004 |
| Intégrité de la recherche | 0,004 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,003 |
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 source (Gemma direct ou Codex distillé), 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 ».