ترجمه مقاله نقش ضروری ارتباطات 6G با چشم انداز صنعت 4.0
- مبلغ: ۸۶,۰۰۰ تومان
ترجمه مقاله پایداری توسعه شهری، تعدیل ساختار صنعتی و کارایی کاربری زمین
- مبلغ: ۹۱,۰۰۰ تومان
During the last two decades, evaluating severity of illness and predicting mortality of critical patients became a major concern of all professionals that work in intensive care units all over the world. Due to the binary nature of the response variable, logistic regression models were a natural choice for modelling this kind of data. The objective of this study is to compare the performance of generalized linear models (GLMs) with binary response (McCullagh and Nelder, Generalized Linear Models. Chapman and Hall, London, 1989), with the performance of generalized additive models (GAMs) with binary response (Hastie and Tibshirani, Generalized Additive Models. Chapman and Hall, New York, 1990) and also with the performance of artificial neural networks (ANNs) (Bishop, Neural Networks for Pattern Recognition. Clarendon Press, Oxford, 1995), in what concerns their predictive and discriminative power. A dataset of 996 patients was collected and the entire sample was used for the developmentof the models and also for the validation process, due to the nonexistence of an external, independent dataset. The performance of the proposed methodologies was assessed, not only by the evaluation of the agreement between observed mortality and predicted probabilities of death through the use of calibration plots, but also by their discriminating ability, measured by the area under the receiver operating characteristic (ROC) curve.
در طول دو دهه گذشته، ارزیابی شدت بیماری و پیش بینی مرگ و میر بیماران بحرانی به نگرانی اصلی کلیه متخصصین حرفه ای تبدیل گردیدکه در واحدهای مراقبتهای ویژه در سرتاسر جهان مشغول به کار هستند.به خاطر طبیعت دودویی متغیر پاسخ، مدلهای رگرسیون منطقی انتخابی طبیعی برای مدلسازی این نوع داده ها محسوب می شدند. هدف مطالعه حاضر ، مقایسه عملکرد مدلهای خطی تعمیم یافته (GLM) با پاسخ دودویی ، و عملکرد مدلهای تطبیقی تعمیم یافته (GAM) با پاسخ دودویی و همچنین با عملکرد شبکه های عصبی مصنوعی (ANN) می باشد که در اینجا به قدرت پیشگویانه و تمایز پرداخته می شود. به این منظور مجموعه داده های 996 بیمار جمع آوری و از کل نمونه برای توسعه مدلها و همچنین فرایند اعتباریابی، به خاطر عدم حضور یک مجموعه داده خارجی مستقل، استفاده گردید. عملکرد روشهای پیشنهاد شده نه فقط با ارزیابی توافق بین مرگ و میر مشاهده شده و احتمالات پیش بینی شده مرگ و میر از طریق استفاده از نمودارهای کالیبراسیون ، بلکه همچنین برحسب توانایی تمایز آنها مورد ارزیابی و سنجش قرار گرفت که برحسب مساحت یا سطح زیر نمودار مشخصه عملیاتی گیرنده (ROC) اندازه گیری گردید.