ترجمه فارسی مقاله دیدگاه علّی در مورد عملکرد مدل پیش‌بینی تحت تغییرات در ترکیب موارد: تبعیض و کالیبراسیون برای پیش‌آگهی و پیش‌بینی تشخیص پاسخ متفاوتی می‌دهند.

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی A causal viewpoint on prediction model performance under changes in case-mix: discrimination and calibration respond differently for prognosis and diagnosis predictions
عنوان مقاله به فارسی دیدگاه علّی در مورد عملکرد مدل پیش‌بینی تحت تغییرات در ترکیب موارد: تبعیض و کالیبراسیون برای پیش‌آگهی و پیش‌بینی تشخیص پاسخ متفاوتی می‌دهند.
نویسندگان Wouter A. C. van Amsterdam
فرمت مقاله انگلیسی PDF
تعداد صفحات 14
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Methodology,Machine Learning,روش شناسی , یادگیری ماشین ,
توضیحات Submitted 5 September, 2024; v1 submitted 2 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده در 5 سپتامبر 2024 ؛V1 ارسال شده در 2 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Prediction models inform important clinical decisions, aiding in diagnosis, prognosis, and treatment planning. The predictive performance of these models is typically assessed through discrimination and calibration. However, changes in the distribution of the data impact model performance. In health-care, a typical change is a shift in case-mix: for example, for cardiovascular risk management, a general practitioner sees a different mix of patients than a specialist in a tertiary hospital. This work introduces a novel framework that differentiates the effects of case-mix shifts on discrimination and calibration based on the causal direction of the prediction task. When prediction is in the causal direction (often the case for prognosis predictions), calibration remains stable under case-mix shifts, while discrimination does not. Conversely, when predicting in the anti-causal direction (often with diagnosis predictions), discrimination remains stable, but calibration does not. A simulation study and empirical validation using cardiovascular disease prediction models demonstrate the implications of this framework. This framework provides critical insights for evaluating and deploying prediction models across different clinical settings, emphasizing the importance of understanding the causal structure of the prediction task.

چکیده به فارسی (ترجمه ماشینی)

مدلهای پیش بینی تصمیمات بالینی مهم ، کمک به تشخیص ، پیش آگهی و برنامه ریزی درمانی را آگاه می کنند.عملکرد پیش بینی این مدل ها به طور معمول از طریق تبعیض و کالیبراسیون ارزیابی می شود.با این حال ، تغییرات در توزیع عملکرد مدل تأثیر داده.در مراقبت های بهداشتی ، یک تغییر معمولی تغییر در مورد مخلوط است: به عنوان مثال ، برای مدیریت ریسک قلبی عروقی ، یک پزشک عمومی ترکیبی متفاوت از بیماران را نسبت به یک متخصص در یک بیمارستان سوم می بیند.این کار یک چارچوب جدید را معرفی می کند که اثرات تغییر موارد مخلوط شده بر تبعیض و کالیبراسیون را بر اساس جهت علیت کار پیش بینی متمایز می کند.هنگامی که پیش بینی در جهت علی قرار دارد (اغلب در مورد پیش بینی های پیش آگهی) ، کالیبراسیون تحت تغییر موارد مخلوط پایدار می ماند ، در حالی که تبعیض چنین نیست.برعکس ، هنگام پیش بینی در جهت ضد مایع (اغلب با پیش بینی تشخیص) ، تبعیض پایدار است ، اما کالیبراسیون چنین نیست.یک مطالعه شبیه سازی و اعتبار سنجی تجربی با استفاده از مدلهای پیش بینی بیماری های قلبی عروقی ، پیامدهای این چارچوب را نشان می دهد.این چارچوب بینش های مهمی را برای ارزیابی و استفاده از مدل های پیش بینی در تنظیمات بالینی مختلف ، با تأکید بر اهمیت درک ساختار علی انجام وظیفه پیش بینی فراهم می کند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.