Bibliographic record
Abstract
Les modèles de survie avec taux de guérison ont une vaste gamme d'applications dans de nombreux domaines tels que la médecine et la santé publique, en particulier dans des études sur le cancer.Dans ces études, les chercheurs sont intéressés par le temps d'attente jusqu'à l'apparition d'un événement d'intérêt, ainsi qu'à la proportion des cas où cet événement ne survient jamais, qualifiée dans ce contexte de taux de guérison.D'une manière générale, il existe deux types de modèles pour l'estimation du taux de guérison.Le premier type est le modèle de mélange avec taux de guérison.Ce type de modèles suppose que l'ensemble de la population se compose de deux groupes d'individus : les individus susceptibles de subir l'événement d'intérêt et les individus non susceptibles de subir l'événement d'intérêt, ou immunisés.Le deuxième modèle est un modèle de non-mélange avec taux de guérison qui se base, par exemple, sur le nombre de cellules cancéreuses qui restent après le traitement.Ce mémoire conçoit et présente une revue des modèles de survie avec taux de guérison depuis les premières études jusqu'aux articles récents.Puisqu'il n'y a pas d'étude exhaustive des modèles de taux de guérison, ma mission se limitera au regroupement de tous les modèles dans une notation unique et cohérente.Les modèles de taux de guérison font partie de l'analyse de survie et incluent les cas de censure.Par conséquent, pour une analyse convenable des modèles de taux de guérison, une bonne connaissance de l'analyse de survie est nécessaire.Ainsi, au chapitre 2, les définitions relatives aux sujets censurés et tronqués sont données.En outre, les concepts et formulations de l'analyse de survie de base sont expliqués.Des modèles de survie courants, paramétriques, non paramétriques et semi-paramétriques sont également expliqués.Les chapitres 3 et 4 forment la partie principale de ce mémoire ; ils portent essentiellement sur l'explication des modèles de taux de guérison.Au chapitre 3, des tests préliminaires pour l'existence d'un taux de guérison sont expliqués.Les premiers travaux dans les modèles de mélange avec taux de guérison et certains modèles paramétriques et non paramétriques avec taux de guérison y sont discutés.L'un des modèles de non-mélange avec taux de guérison et deux modèles de mélange semi-paramétriques qui ont été adaptés des travaux plus récents dans les modèles avec taux de guérison sont expliqués au chapitre 4. Au chapitre 5, une étude de simulation a été effectuée pour chaque modèle introduit précédemment afin d'en tester la précision.Les méthodes des études de simulation sont les mêmes que celles utilisées dans les articles originaux.Au chapitre 6, les modèles avancés avec taux de guérison sont mis en œuvre pour des bases de données de transplantation de moelle osseuse et vi les résultats sont discutés.Le chapitre 7 présente la conclusion de l'étude ainsi qu'un aperçu d'une future recherche.vii
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.007 | 0.030 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.003 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.004 | 0.001 |
| Research integrity | 0.004 | 0.006 |
| Insufficient payload (model declined to judge) | 0.092 | 0.031 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".