Orvosi kockázat-előrejelzési modellek: A gépi tanulással kapcsolatos kötődésekkel

Olvasói vélemények

Jelenleg nincsenek olvasói vélemények. Az értékelés 3 olvasói szavazat alapján történt.

Eredeti címe:

Medical Risk Prediction Models: With Ties to Machine Learning

Könyv tartalma:

Medical Risk Prediction Models: With Ties to Machine Learning egy gyakorlatias könyv klinikusok, epidemiológusok és professzionális statisztikusok számára, akiknek statisztikai előrejelzési modellt kell készíteniük vagy értékelniük az adatok alapján. A könyv témája a beteg adott időhorizonton belüli orvosi eseményének egyénre szabott valószínűsége. Gerds és Kattan rendkívül pedagógikus módon, a matematikai jelölések elkerülése mellett ismerteti a statisztikai előrejelzési modell készítésének és értékelésének matematikai részleteit. Olvassa el ezt a könyvet, ha kétségei vannak afelől, hogy egy Cox-regressziós modell jobb előrejelzést ad-e, mint egy véletlenszerű túlélési erdő.

Jellemzők:

⬤ Minden, amit tudnia kell ahhoz, hogy helyesen készítsen online kockázati kalkulátort a semmiből.

⬤ Diszkrimináció, kalibráció és előrejelző teljesítmény cenzúrázott adatokkal és versengő kockázatokkal.

⬤ R-kód és szemléltető példák.

⬤ A prediktív teljesítmény értelmezése benchmarkokon keresztül.

⬤ Versengő modellezési stratégiák összehasonlítása és kombinálása keresztvalidáláson keresztül.

Thomas A. Gerds a Koppenhágai Egyetem Biostatisztikai Egységének professzora, és a Dán Szív Alapítvány munkatársa. Számos R-csomag szerzője a CRAN-on, és évek óta tanít statisztikakurzusokat nem statisztikusoknak.

Michael W. Kattan sokat idézett szerző és a Cleveland Clinic Kvantitatív Egészségtudományi Tanszékének elnöke. Az Amerikai Statisztikai Egyesület tagja, és két díjat kapott az Orvosi Döntéshozatal Társaságától: a Kiváló Szolgálatért járó Eugene L. Saenger-díjat és az Orvosi Döntéshozatali Kutatás Gyakorlati Alkalmazásáért járó John M. Eisenberg-díjat.