Modele przewidywania ryzyka medycznego: Z powiązaniami z uczeniem maszynowym

Opinie czytelników

Obecnie brak opinii czytelników. Ocena opiera się na 3 głosach.

Oryginalny tytuł:

Medical Risk Prediction Models: With Ties to Machine Learning

Zawartość książki:

Medical Risk Prediction Models: With Ties to Machine Learning to praktyczna książka dla klinicystów, epidemiologów i profesjonalnych statystyków, którzy muszą stworzyć lub ocenić statystyczny model predykcyjny oparty na danych. Tematem książki jest zindywidualizowane prawdopodobieństwo wystąpienia zdarzenia medycznego u pacjenta w danym horyzoncie czasowym. Gerds i Kattan opisują matematyczne szczegóły tworzenia i oceny statystycznego modelu predykcyjnego w wysoce pedagogiczny sposób, unikając jednocześnie notacji matematycznej. Przeczytaj tę książkę, jeśli masz wątpliwości, czy model regresji Coxa przewiduje lepiej niż losowy las przeżycia.

Cechy:

⬤ Wszystko, co musisz wiedzieć, aby poprawnie stworzyć kalkulator ryzyka online od podstaw.

⬤ Dyskryminacja, kalibracja i wydajność predykcyjna z cenzurowanymi danymi i konkurującymi ryzykami.

⬤ Kod R i ilustrujące przykłady.

⬤ Interpretacja wydajności predykcyjnej za pomocą benchmarków.

⬤ Porównanie i połączenie konkurencyjnych strategii modelowania za pomocą walidacji krzyżowej.

Thomas A. Gerds jest profesorem w Zakładzie Biostatystyki na Uniwersytecie Kopenhaskim i jest związany z Duńską Fundacją Serca. Jest autorem kilku pakietów R na CRAN i przez wiele lat prowadził kursy statystyki dla osób niebędących statystykami.

Michael W. Kattan jest często cytowanym autorem i przewodniczącym Wydziału Ilościowych Nauk o Zdrowiu w Cleveland Clinic. Jest członkiem American Statistical Association i otrzymał dwie nagrody od Society for Medical Decision Making: Eugene L. Saenger Award for Distinguished Service oraz John M. Eisenberg Award for Practical Application of Medical Decision-Making Research.