عنوان مقاله
مدلهای خطی تعمیم یافته، مدلهای تطبیقی تعمیم یافته، و شبکه های عصبی
فهرست مطالب
مقدمه
مدلهای خطی تعمیم یافته و مدلهای تطبیقی تعمیم یافته
شبکه های عصبی مصنوعی
نمره فیزیولوژی حاد ساده شده جدید (SAPS II)
نتایج
نتیجه گیری و کارهای آتی
بخشی از مقاله
نمره فیزیولوژی حاد ساده شده جدید (SAPS II)
نمره شدت بیماری است که از آن درICU ها استفاده شده و به خاطر سادگی و کاربردش در اروپا زیاد مورد توجه قرار گرفته است. آن شامل 17 متغیر می باشد: 12 متغیر فیزیولوژی و سه متغیر بیماری زمینه. به منظور توسعه و اعتباریابی این نمره، ازنمونه بین المللی بزرگی از بیماران جراحی و مدیکال (پزشکی) جمع آوری شده با مطالعه چند مرکزی اروپایی/ شمال آمریکا، استفاده گردید. فاز توسعه از 65 درصد از بیماران موجود استفاده نمود که به صورت تصادفی انتخاب شده بودند، در حالیکه 35 درصد باقیمانده جزء مجموعه اعتباریابی بودند.
کلمات کلیدی:
Ana Luisa Papoila, Cristina Rocha, Carlos Geraldes, and Patricia Xufre Abstract 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 development A.L. Papoila () CEAUL and Faculdade de Ciencias M ˆ edicas da, Universidade Nova de Lisboa, Campo M ´ artires ´ da Patria 130 1169-056 Lisboa, Portugal ´ e-mail: ana.papoila@fcm.unl.pt C. Rocha CEAUL and Faculdade de Ciencias, Universidade de Lisboa, Campo Grande 1149-016 Lisboa, ˆ Portugal e-mail: cmrocha@fc.ul.pt C. Geraldes Universidade Nova de Lisboa, Campo Martires da P ´ atria 130 1169-056 Lisboa, Portugal ´ e-mail: carlos.geraldes@fcm.unl.pt P. Xufre CIOUL and Instituto Superior de Estat´ıstica e Gestao de Informac ˜ ¸ao da, Universidade Nova de ˜ Lisboa, Campus de Campolide 1070-312 Lisboa, Portugal e-mail: pxufre@fe.unl.pt J. Lita da Silva et al. (eds.), Advances in Regression, Survival Analysis, Extreme Values, Markov Processes and Other Statistical Applications, Studies in Theoretical and Applied Statistics, DOI 10.1007/978-3-642-34904-1 33, © Springer-Verlag Berlin Heidelberg 2013 317 318 A.L. Papoila et al. of 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.
