MétaCan
Menu
Retour à la cohorte
Enregistrement W762448056

Methods for Estimating Reference Intervals

2014· dissertation· en· W762448056 sur OpenAlexfundno aff
Caitlin Daly

Notice bibliographique

RevueMacSphere (McMaster University) · 2014
Typedissertation
Langueen
DomaineDecision Sciences
ThématiqueScientific Measurement and Uncertainty Evaluation
Établissements canadiensnon disponible
Organismes subventionnairesCanadian Institutes of Health ResearchHospital for Sick Children
Mots-clésStatisticsComputer scienceEnvironmental scienceMathematics
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Reference intervals (RIs) are sets of percentiles that outline the range of laboratory test results belonging to healthy individuals. They are essential for the interpretation of laboratory test results. A wide variety of factors affect the validity of RIs. Among them are the statistical methods used to estimate RIs. However, little investigation has gone into the effect that different statistical methods have on the resulting RIs. This is particularly needed as the complexity of paediatric data makes it difficult to estimate RIs. These difficulties, however, can be addressed using appropriate statistical techniques, provided that there is an outline of scenarios under which these techniques are truly “appropriate”. The objective of this thesis is to provide a thorough investigation into the effect of different statistical methods on RIs. A systematic review was first conducted with a focus on paediatric RIs. The results of this review revealed that critical analysis steps are often overlooked due to complicated paediatric data. Even though a guideline addressing the establishment of RIs is available, there is great heterogeneity in the statistical methods chosen to estimate paediatric RIs. An extensive simulation involving the three most commonly used approaches to estimate RIs (the parametric, non-parametric, and robust methods) was also conducted to investigate and compare the performance of the different methods. The simulation results show that, when data follows a Gaussian distribution, or close to it, the parametric method provides the best estimates. The non-parametric method did not provide the best estimates of RIs (compared to the parametric method) unless data was highly skewed and/or large sample sizes were used. In addition, the bias and MSE associated with the parametric method when data follows a Gaussian distribution was mathematically derived, which may lead to the development of a bias corrected and more precise approach in the future.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,008
score de la tête « metaresearch » (Gemma)0,004
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Autre · Signal consensuel: Autre
Score de désaccord entre enseignants0,986
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0080,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0020,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0980,000

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.

Tête enseignante Opus0,256
Tête enseignante GPT0,432
Écart entre enseignants0,175 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeAutre devis
Domainenon disponible
GenreAutre

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMacSphere (McMaster University)Même sujetScientific Measurement and Uncertainty EvaluationTravaux en français237 207