Comparison of Three Parametric Models for Glaucomatous Visual Field Progression Rate Distributions
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
PURPOSE: To compare parametric models for fitting published distributions of visual field progression rates (in dB/yr) for glaucoma. METHOD: We fitted a modified Gaussian model, a modified Cauchy model and a modified hyperbolic secant model to previously published distributions of visual field progression rates from Canada, Sweden, and the United States. The modification allowed the shape of the model's distribution either side of the mode to be independently varied to allow for the asymmetric tails seen in visual field progression rate distributions. RESULTS: Summing likelihoods across datasets, the modified hyperbolic secant was strongly favored (by 26.7 log units) compared with the next best-fitting model, the modified Cauchy. The modified hyperbolic secant was not the best fit for the Canadian dataset, however. Best-fitting modified hyperbolic secant parameters were broadly similarly between datasets, with parameter variances being less than those expected to negate the benefits of a previously described Bayesian method for improving individual visual field progression rate estimates in glaucoma. CONCLUSIONS: Although the optimum model differed depending upon the particular dataset, a modified hyperbolic secant performed well for all distributions investigated and was strongly favored when evidence was summed across datasets. TRANSLATIONAL RELEVANCE: Despite differences in the progression rate distributions between studies, the use of an "average" distribution may still be of benefit for improving individual visual field progression rate estimates in glaucoma using Bayesian methods.
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 | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 découle